Question

我正在尝试匹配可能包含或不包含标签的文本块。

我正在使用一个大型数据集，我需要在其中标记数据集的特定部分，并给出需要标记的特定字符串。但是，当我在其中一个文本块中标记某些内容时，我无法再使用我的正则表达式来查找它。

基本上我需要的是能够匹配一个字符串，无论它是否在它之间有标记。

一个例子是：

我需要在包含

的文件中搜索数据块abc123xyz

abc123xyz /newblock testingabc123 /newblock bleh123xyz

，我需要将abc标记为<tag1>，将<abc123>标记为<tag2>。但显然，当我最初将abc标记为<tag1>并创建字符串<tag1>abc</tag1>123xyz时，我再也找不到字符串abc123xyz，也找不到字符串abc123。

我首先需要找到abc123xyz，因为数据文件中可能有多个abc。

这是数据集中的示例字符串。

CDATA[Bvhhg Iebhe: 8/15/73 dc eqedhethv dy tgjp teyzuvj aggmc ej jpdc jdmv. Ujjeopvf nhvecv xdyf gua 1673 kvffdyr neoivj kdjp gua mvyuc, nadodyr, Lqvyj Fghdodvc, eyf xavzuvyjhb ecivf zuvcjdgyc. Uxjva avqdvkdyr jpv dyxgamejdgy, dx bgu peqv eyb zuvcjdgyc, nhvecv ogyjeoj mv. Thank you. Ovtgaep Jerygy Kehvc eyf Mejvadyr Yeyerva 339 922-1323 vlj. 1576 vqvyjc@vfrvkggfjepgv.ogm 

你可以看到，非常难看，并且还包含原始格式标签。在此示例中，我可能需要自己标记Thank you.，但也包含在较大的标记中，该标记仅排除在Thank you.之后找到的数据

我真的不知道如何做到这一点。我可能只是想错了方向，但我还没有接近解决方案。

我在python 2.7中工作，但由于这只是一个正则表达式问题，我不相信它特别相关。

Answer 1

我最好能理解上面评论主题的要求，我相信这段代码可以达到预期效果。我们的想法是，每个被搜索的文本都会成为一个正则表达式，忽略XML样式标记，无论它们存在于搜索词中。例如。 'abc'成为正则表达式，如((<[^>*)>)*a(<[^>*)>)*b(<[^>*)>)*c(<[^>*)>)*)。

import itertools
import re

def tag(document, text, tagname):
    tagre = '(?:<[^>]*>)*'

    regex = '(' + tagre + ''.join(
        itertools.chain(*zip(
            map(re.escape, text),
            itertools.cycle([tagre])))) + ')'

    return re.sub(regex,
        r'<{tagname}>\1</{tagname}>'.format(tagname=re.escape(tagname)),
        document)

document = 'abc123xyz...'
document = tag(document, 'abc', 'tag1')
document = tag(document, 'abc12', 'tag2')
document = tag(document, '123', 'tag3')
document = tag(document, 'abc123xyz', 'tag4')
document = tag(document, '...', 'tag5')

print(document)

# Output:
# <tag4><tag2><tag1>abc<tag3></tag1>12</tag2>3</tag3>xyz</tag4>

使用正则表达式将文本块与其中的随机标记进行匹配

1 个答案: