python - 在字符串列表中标记动态子字符串

Question

假设这两组字符串:

file=sheet-2016-12-08.xlsx
file=sheet-2016-11-21.xlsx
file=sheet-2016-11-12.xlsx
file=sheet-2016-11-08.xlsx
file=sheet-2016-10-22.xlsx
file=sheet-2016-09-29.xlsx
file=sheet-2016-09-05.xlsx
file=sheet-2016-09-04.xlsx

size=1024KB
size=22KB
size=980KB
size=15019KB
size=202KB

我需要分别在这两个集合上运行一个函数并分别接收以下输出:

file=sheet-2016-*.xlsx

size=*KB

数据集可以是任意一组字符串。它不必与格式匹配。这是另一个例子:

id.4030.paid
id.1280.paid
id.88.paid

预期的输出是:

id.*.paid

基本上，我需要一个函数来分析一组字符串并用星号 (*) 替换不常见的子字符串

Answer 1

您可以使用 os.path.commonprefix 来计算公共(public)前缀。它用于计算文件路径列表中的共享目录，但它可以在通用上下文中使用。

然后反转字符串，再次应用公共(public)前缀，然后反转，计算公共(public)后缀(改编自 https://gist.github.com/willwest/ca5d050fdf15232a9e67 )

dataset = """id.4030.paid
id.1280.paid
id.88.paid""".splitlines()

import os


# Return the longest common suffix in a list of strings
def longest_common_suffix(list_of_strings):
    reversed_strings = [s[::-1] for s in list_of_strings]
    return os.path.commonprefix(reversed_strings)[::-1]

common_prefix = os.path.commonprefix(dataset)
common_suffix = longest_common_suffix(dataset)

print("{}*{}".format(common_prefix,common_suffix))

结果:

id.*.paid

编辑:如 wim 所述:

• 当所有字符串相等时，公共(public)前缀和后缀相同，但它应该返回字符串本身而不是prefix*suffix:应该检查所有字符串是否相同
• 当公共(public)前缀和后缀重叠/共享字母时，这也会混淆计算:应该计算字符串上的公共(public)后缀减去公共(public)前缀

因此需要一个一体化的方法来预先测试列表以确保至少有 2 个字符串是不同的(在此过程中压缩前缀/后缀公式)，并通过切片计算公共(public)后缀以删除公共(public)前缀:

def compute_generic_string(dataset):
    # edge case where all strings are the same
    if len(set(dataset))==1:
        return dataset[0]

    commonprefix = os.path.commonprefix(dataset)

    return "{}*{}".format(commonprefix,os.path.commonprefix([s[len(commonprefix):][::-1] for s in dataset])[::-1])

现在让我们测试一下:

for dataset in [['id.4030.paid','id.1280.paid','id.88.paid'],['aBBc', 'aBc'],[]]:
    print(compute_generic_string(dataset))

结果:

id.*.paid
aB*c
*

(当数据集为空时，代码返回*，也许这应该是另一种边缘情况)