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!