Question

我通过阅读你的帖子解决了很多问题，但现在我陷入了以下困境。

我的问题是我不能在我的txt文件中对给定单词进行绝对匹配。我写了以下内容：

for word in listtweet:
    #print word,
    pattern=re.compile(r'\b%s\b' %(word))
    with open('testsentiwords_fullTotal_clean1712.txt', 'r') as f:
        for n,line in enumerate(f):
            if pattern.search(line):
                    print 'found word: ', word, 'in line ', line

我的输出部分正确：

在'-0.458333333333'，'脏'
中找到了脏字

但我也得到了：

在第'-0.5'行中发现脏字，'脏兮兮的'

在“-0.625”，“脏脸”
中找到了脏字

我只想获得完全匹配，仅此而已！请帮忙吗？

Answer 1

尝试使用此模式：

pattern=re.compile(r'[^-a-zA-Z]%s[^-a-zA-Z]' %(word))

你的模式的问题是' - '字符在\ b。

如果您的单词中需要数字，则可以为此模式添加0-9。

pattern=re.compile(r'[^-a-zA-Z0-9]%s[^-a-zA-Z0-9]' %(word))

Answer 2

如果您提供的打印输出显示文件中的实际行（您要查找的单词始终用单引号括起来），我认为您的重新图案想要像

p = re.compile(r"'%s'" % target_word)

所以结果会是这样的：

>>> p = re.compile(r"'%s'" % "dirty")
>>> p.search("'12345', 'dirty'")
<_sre.SRE_Match object at 0x631b10>
>>> p.search("'12345', 'dirty-faced'")
>>>

Answer 3

首先，从\b切换到检查字边界为[^-a-zA-Z]，因为-计为字边界。其次，如果您排长队，请考虑先使用in关键字：

if word in line and pattern.search(line):

这样python可以在部署正则表达式引擎之前先快速匹配单词的字母。对于大多数行根本不匹配的大型文件，应该加快速度。

第三，修复代码示例 - 打印line将打印行内容，而打印n（或更好的是`n`转换为字符串。）

第四，考虑改用grep：

grep -nwf needles_on_separate_lines haystack.txt

哪个会做你想要的，而且比Python快得多。

Answer 4

您的问题是\b匹配字边界。这些被定义为“字母数字字符和非字母数字字符之间的位置”。

因此\bdirty\b将匹配字符串dirty中的This is dirty!，但不会匹配dirtying your clothes中的-。到目前为止一切顺利，但由于\b也是一个非字母数字字符，dirty-minded也会在您观察到的r"(?<!-)\b%s\b(?!-)" % word时触发。

因此，您需要考虑的是您不希望将哪些字符用作单词分隔符。如果它只是破折号，你可以添加另一对断言来排除它们：

r"(?<!['-])\b%s\b(?!['-])" % word

如果要添加更多字符以排除为有效字边界，例如撇号，请使用字符类：

{{1}}

无法使txt文件中的字符串完全匹配

4 个答案: