我认为正则表达式比单独检查每个子字符串要好,因为 从概念上讲 ,正则表达式被建模为DFA,并且随着输入被消耗,所有匹配项都将同时被测试(导致对输入字符串进行一次扫描) )。
因此,这是一个示例:
import re
def work():
to_find = re.compile("cat|fish|dog")
search_str = "blah fish cat dog haha"
match_obj = to_find.search(search_str)
the_index = match_obj.start() # produces 5, the index of fish
which_word_matched = match_obj.group() # "fish"
# Note, if no match, match_obj is None
将单词组合成单个备选单词模式时应 小心。以下代码构建了一个正则表达式,但转义了所有正则表达式特殊字符并对单词进行排序,以便较长的单词有机会在同一单词的任何较短前缀之前匹配:
def wordlist_to_regex(words):
escaped = map(re.escape, words)
combined = '|'.join(sorted(escaped, key=len, reverse=True))
return re.compile(combined)
>>> r.search('smash atomic particles').span()
(6, 10)
>>> r.search('visit usenet:comp.lang.python today').span()
(13, 29)
>>> r.search('a north\south division').span()
(2, 13)
>>> r.search('012cat').span()
(3, 6)
>>> r.search('0123dog789cat').span()
(4, 7)
应该注意的是,您将希望尽可能少地形成正则表达式(即,调用re.compile())。最好的情况是,您提前知道搜索的内容(或者您一次/很少计算一次),然后将re.compile的结果保存在某个地方。我的示例只是一个简单的废话功能,因此您可以看到正则表达式的用法。这里还有更多正则表达式文档:
http://docs.python.org/library/re.html
希望这可以帮助。
我不确定python如何实现正则表达式,但要回答Rax有关re.compile()是否存在限制的问题(例如,您可以尝试同时将“ |”一起匹配的单词数) ,以及运行编译的时间:这似乎都不是问题。我试用了这段代码,足以说服我。(我可以通过添加时间安排和报告结果,以及将单词列表放入集合中以确保没有重复…来做得更好,但是这两项改进似乎都太过分了)。这段代码基本上是瞬时运行的,使我确信可以搜索2000个单词(大小为10),并且这些单词都将匹配。这是代码:
import random
import re
import string
import sys
def main(args):
words = []
letters_and_digits = "%s%s" % (string.letters, string.digits)
for i in range(2000):
chars = []
for j in range(10):
chars.append(random.choice(letters_and_digits))
words.append(("%s"*10) % tuple(chars))
search_for = re.compile("|".join(words))
first, middle, last = words[0], words[len(words) / 2], words[-1]
search_string = "%s, %s, %s" % (last, middle, first)
match_obj = search_for.search(search_string)
if match_obj is None:
print "Ahhhg"
return
index = match_obj.start()
which = match_obj.group()
if index != 0:
print "ahhhg"
return
if words[-1] != which:
print "ahhg"
return
print "success!!! Generated 2000 random words, compiled re, and was able to perform matches."
if __name__ == "__main__":
main(sys.argv)
应该注意的是,在正则表达式中进行或运算的事物的顺序很 重要 。看看以下受TZOTZIOY启发的测试:
>>> search_str = "01catdog"
>>> test1 = re.compile("cat|catdog")
>>> match1 = test1.search(search_str)
>>> match1.group()
'cat'
>>> match1.start()
2
>>> test2 = re.compile("catdog|cat") # reverse order
>>> match2 = test2.search(search_str)
>>> match2.group()
'catdog'
>>> match2.start()
2
这表明顺序很重要:-/。我不确定这对Rax的应用意味着什么,但是至少行为是已知的。