跳到主要内容

会报恩的代码（五）

信息
2024年9月7日 · ·

引言​

在 Python 编程中，有一些常用技巧和最佳实践可以帮助你编写更优雅、更高效的代码。本文将介绍的是使用 Python 从文本中搜索指定单词的几个简单实现方式。

Cover

从文本搜索指定单词，不区分单词的大小写​

我们可以使用 Python 的内置字符串方法以及正则表达式来搜索文本中的指定单词，且不区分大小写。

使用 str.lower()​

如果希望使用简单的字符串方法，可以将文本和目标单词都转换为小写，然后进行比较：

def search_word(text, word):
    # 转换为小写
    text_lower = text.lower()
    word_lower = word.lower()

    # 检查单词是否在文本中
    if word_lower in text_lower:
        return True
    return False

# 示例
text = "Hello, this is a sample Text."
word = "text"
found = search_word(text, word)
print(found)  # 输出: True

使用 re 模块​

如果想使用正则表达式，可以用 re 模块的 re.IGNORECASE 选项：

import re

def search_word(text, word):
    # 使用正则表达式不区分大小写
    pattern = re.compile(re.escape(word), re.IGNORECASE)

    return bool(pattern.search(text))

# 示例
text = "Hello, this is a sample Text."
word = "text"
found = search_word(text, word)
print(found)  # 输出: True

这两种方法都可以有效地搜索文本中的指定单词，且不区分大小写。选择适合需求的方法即可。

从文本搜索多个单词，依旧不区分单词的大小写​

如果希望在文本中搜索多个单词，可以扩展前面的示例。

使用 str.lower() 和循环​

可以将多个单词转换为小写并逐个检查：

def search_words(text, words):
    # 转换为小写
    text_lower = text.lower()
    words_lower = [word.lower() for word in words]

    # 检查每个单词是否在文本中
    found_words = [word for word in words_lower if word in text_lower]
    return found_words

# 示例
text = "Hello, this is a sample Text."
words = ["text", "hello", "sample", "world"]
found = search_words(text, words)
print(found)  # 输出: ['text', 'hello', 'sample']

使用 re 模块​

使用正则表达式可以创建一个模式，匹配多个单词：

import re

def search_words(text, words):
    # 创建正则表达式模式
    pattern = re.compile(r'\b(?:' + '|'.join(map(re.escape, words)) + r')\b', re.IGNORECASE)

    # 搜索所有匹配的单词
    return pattern.findall(text)

# 示例
text = "Hello, this is a sample Text."
words = ["text", "hello", "sample", "world"]
found = search_words(text, words)
print(found)  # 输出: ['Hello', 'Text', 'sample']

其中的正则表达式的作用是将多个单词组合成一个正则模式。确保这些单词作为独立的整词出现（通过使用单词边界）。在搜索时不区分大小写。

例如，如果 words 列表包含 ["cat", "dog"]，则编译后的 pattern 表达式将类似于：

r'\b(?:cat|dog)\b'

这样，这个模式就可以匹配文本中的“cat”或“dog”，并且这些单词必须是独立的，不是其他词的一部分。

这段正则表达式用于编译一个模式，以匹配多个指定单词。表达式每个部分的详细解释如下。

r'\b(?:...)\b'

  • r'...': 这是一个原始字符串（raw string），它告诉 Python 不要对字符串中的反斜杠进行转义处理。这在> 编写正则表达式时非常有用，因为正则中的很多模式都包含反斜杠。

  • \b: 这是一个单词边界（word boundary）匹配符。它匹配单词的开始或结束位置，确保匹配的单词是完整的，> 而不是长词的一部分。例如，在匹配“cat”时，\bcat\b只会匹配“cat”这个词，而不会匹配“category”中的“cat”。

  • (?:...): 这是一个非捕获分组（non-capturing group）。它的作用是将多个元素组合在一起，但不创建一个> 捕获组。这样可以在正则表达式中将多个选项组合在一起，而不会增加额外的捕获组。

|（或操作符）

  • '|'.join(map(re.escape, words)): 这段代码会将 words 列表中的所有单词通过 |（或操作符）连接> 成一个长字符串。map(re.escape, words) 用于处理 words 列表中每个单词，确保特殊字符不会影响正则表达式> 的匹配。例如，如果单词中有点号、星号等特殊字符，re.escape 会在这些字符前添加反斜杠，使其被视为字面字符。

re.IGNORECASE

  • 这是一个标志，表示匹配时不区分大小写。当这个标志被设置，正则表达式的匹配会忽略字母的大小写。

以上两种方法都可以有效地搜索文本中的多个指定单词。可以根据需求选择适合的方法。第一种方法直接使用字符串方法，第二种方法则利用正则表达式提供了更强大的功能。

反复执行 re.compile，re 是否会缓存编译结果？​

Python 的 re 模块是会缓存编译的正则表达式的。这个缓存机制可以有效提高性能，避免对同一模式的重复编译。

缓存机制

当使用 re.compile() 编译一个正则表达式时，Python 会创建一个正则表达式对象，并在内部进行一些优化。

re 模块会在内部缓存最近使用的正则表达式。具体来说，Python 会保留最后 1000 个不同的模式，以供后续的重复使用。如果在同一程序运行中多次使用 re.compile() 编译相同的模式，Python 会直接返回缓存中的已经编译的对象而不是重复编译。

性能提升

缓存机制的作用明显，正则表达式的编译是一个相对昂贵的操作。通过避免重复编译，可以显著提高代码的运行效率。

最佳实践

如果在多个不同的字典或列表中使用相同的正则表达式模式，并在此过程中调用 re.compile()，那么如果模式相同，Python 会利用缓存。但是，为了保证最佳性能，尤其在频繁使用的情况下，建议将相同的正则表达式编译一次并存储在变量中，而不是每次都调用 re.compile()。

验证示例

# 多次使用相同的正则表达式
pattern1 = re.compile(r'\bcat\b', re.IGNORECASE)
pattern2 = re.compile(r'\bcat\b', re.IGNORECASE)

# pattern1 和 pattern2 是相同的模式
print(pattern1 is pattern2)  # 输出可能为 False，但模式是相同的
# True

在处理不同单词集合时，建议在循环外部编译正则模式，确保良好的性能并充分利用缓存特性。

结语​

本文介绍了使用 Python 从文本中搜索指定单词的几个特定用法，并验证了 re.compile 中缓存的存在，希望这些小技巧能在某个特定的时间正好帮到你。

PS：感谢每一位志同道合者的阅读，欢迎关注、点赞、评论！