Python 正则表达式：我想找到所有重叠和不重叠的模式匹配

Question

我想找到所有重叠和不重叠的模式匹配项

代码如下：

import re

words = [r"\bhello\b",r"\bworld\b",r"\bhello world\b"] 
sentence = "Hola hello world and hello"

for word in words:
    for match in re.finditer(word,sentence):
        print(match.span(),match.group())

给我以下结果（我很高兴，但需要一种有效的方法）

(5, 10) hello
(21, 26) hello
(11, 16) world
(5, 16) hello world

我知道这样效率不高。示例：假设我有 20k 个单词和 10k 个句子，这将是对 re.match 的 200M x 2 次调用，这会花费很多时间。

你能给我一个解决问题的有效方法吗？

Answer 1

顺序不同，但结果相同，而且速度明显更快：

import re

substrings=['hello','world','hello world']
joined='|'.join(substrings)
reg=re.compile(rf"\b(?={joined}\b)")

for m in reg.finditer(sentence):
    for e in substrings:
        offset=m.span()[0]
        if sentence[offset:offset+len(e)]==e:
            print((offset,offset+len(e)), e)

如果你想确保不匹配hello worldLY（即，只是子字符串的前缀）你可以这样做：

substrings=['hello','world','hello world']
joined='|'.join(substrings)
reg=re.compile(rf"\b(?={joined}\b)")
indvidual=list(map(re.compile, [rf'\b({e})\b' for e in substrings]))
for m in reg.finditer(sentence):
    for i,e in enumerate(indvidual):
        offset=m.span()[0]
        if m2:=e.match(sentence[offset:]):
            print((offset,offset+m2.span()[1]), substrings[i])

要么打印：

(5, 10) hello
(5, 16) hello world
(11, 16) world
(21, 26) hello

Python 正则表达式：我想找到所有重叠和不重叠的模式匹配

Python Regex : I would like to find all overlapping and non overlapping pattern matches

python

regex

list

python-re