我需要能够搜索像
这样的字符串 - TAF10 RNA polymerase II, TATA box binding protein (TBP)-associated factor
- TATA box binding protein (TBP)-associated factor, RNA polymerase II, C2, 105kD
- ir
- TABK-1
在包含这些字符串的文本段中。我再说一遍，上面提到的字符串将在更大的文本段中搜索。
使用re.search（字边界）执行\b对此不起作用（因为括号，连字符，逗号等特殊字符）并且因为我有简单的字符串，如{{1 }}，ir等等，我不能只做mo，因为它会导致字内匹配，这是要避免的（如if string1 in text_segment将匹配{{ 1}}在'B ir th'）。
我想到的一种方法是使用许多分割符来破解文本段，例如逗号，括号，空格，连字符等，并对字符串进行相同的操作。然后使用空格将它们两个（分别）连接起来，然后使用单词边界在段中搜索字符串。但我想知道是否有更好的方法来解决问题。 我需要为大量字符串（ ~300,000 ）执行此操作，因此时间效率非常重要。
示例 -
搜索算法应该能够适用于以下两种情况 -
案例1：
string = if string1 in text_segment
text segment =
白血病干细胞（LSCs）是治疗多种类型血癌的有吸引力的靶标。对驱动LSC形成和维持的表观遗传机制仍有不完全的了解，以及与正常造血干细胞（HSCs）的表观遗传调控相比如何。“！Series_summary”研究MLL-AF9白血病干细胞依赖的新机制在 TAF10 RNA聚合酶II，TATA盒结合蛋白（TBP）相关因子上，我们使用全基因组表达谱来检测Dnmt1单倍体中基因表达的变化，足够的L-GMPs以及更多分化的白血病细胞（白血病细胞的大量群体）与对照组相比。
案例2：
string = ir
text segment =
用MLL-AF9-IRES-GFP逆转录病毒转导这些细胞2天，然后分选GFP +细胞并移植到C57BL / 6同基因亚致死辐射（600rad）受体中。 2周后，通过七次注射poly（I）poly（C），在白血病细胞中实现 ir 单倍体不足。在终末期sh ir t髓样白血病的发展过程中，从白血病脾脏FACS分选L-GMPs群体或大量GFP +白血病细胞，提取RNA，扩增并与Affymetrix杂交
（它不应与上面的
TAF10 RNA polymerase II, TATA box binding protein (TBP)-associated factor的斜体字匹配，因为它们在另一个字中）