Python正则表达式匹配列表中的多个单词

Question

我有一个单词列表和一个字符串，并且想从原始列表中取回在字符串中找到的单词列表。

例如:

import re

lof_terms = ['car', 'car manufacturer', 'popular']
str_content = 'This is a very popular car manufacturer.'

pattern = re.compile(r"(?=(\b" + r"\b|".join(map(re.escape, lof_terms)) + r"\b))")
found_terms = re.findall(pattern, str_content)

这只会返回 ['car', 'popular']。它未能捕获“汽车制造商”。但是，如果我将术语源列表更改为 lof_terms = ['汽车制造商', '流行']

不知何故，“汽车”和“汽车制造商”之间的重叠似乎是此问题的根源。

有什么办法可以克服这个问题吗？

非常感谢

Answer 1

如果您首先按长度降序对 lof_terms 进行排序，则可以修复当前代码:

rx = r"(?=\b({})\b)".format("|".join(map(re.escape, sorted(lof_terms, key=len, reverse=True))))
pattern = re.compile(rx)

请注意，在这种情况下，\b 字边界仅在分组的任一端使用一次，无需在每个替代项周围重复它们。请参阅this regex demo .

请参阅Python demo :

import re

lof_terms = ['car', 'car manufacturer', 'popular']
str_content = 'This is a very popular car manufacturer.'

rx = r"(?=\b({})\b)".format("|".join(map(re.escape, sorted(lof_terms, key=len, reverse=True))))
pattern = re.compile(rx)
found_terms = re.findall(pattern, str_content)
print(found_terms)
# => ['popular', 'car manufacturer']