在Python中识别字符串子串的最有效方法是什么？

Question

我需要搜索一个相当长的字符串以查找CPV（通用采购词汇）代码。

目前，我使用简单的for循环和str.find()来完成这个任务。

问题是，如果CPV代码以稍微不同的格式列出，这个算法就无法找到它。

最有效的搜索所有不同迭代代码的方法是什么？是简单地重新格式化多达10,000个CPV代码中的每一个，并对每个实例使用str.find()吗？

不同格式的示例可能如下所示：

30124120-1 
301241201 
30124120 - 1
30124120 1
30124120.1

etc.

Thanks :)

- significance

Answer 1

尝试使用正则表达式：

>>> cpv = re.compile(r'([0-9]+[-\. ]?[0-9])')
>>> print cpv.findall('foo 30124120-1 bar 21966823.1 baz')
['30124120-1', '21966823.1']

（修改，直到它与您的数据中的CPV非常匹配。）

- Fred Foo

Answer 2

cpv = re.compile(r'(\d{8})(?:[ -.\t/\\]*)(\d{1}\b)')

for m in re.finditer(cpv, ex):
    cpval,chk = m.groups()
    print("{0}-{1}".format(cpval,chk))

应用于您的样本数据返回

30124120-1
30124120-1
30124120-1
30124120-1
30124120-1

正则表达式可以被理解为

(\d{8})         # eight digits

(?:             # followed by a sequence which does not get returned
  [ -.\t/\\]*   #   consisting of 0 or more
)               #   spaces, hyphens, periods, tabs, forward- or backslashes

(\d{1}\b)       # followed by one digit, ending at a word boundary
                #   (ie whitespace or the end of the string)

希望这能有所帮助！

- Hugh Bothwell

---

+1 对于规范化的赞同。我建议使用 r 字符串前缀而不是 \\\t。 - Fred Foo

@larsman：谢谢，我已经将它改为原始字符串并重新排列了字符列表以便更容易理解。 - Hugh Bothwell

Answer 3

尝试使用任何Python中的re函数（用于正则表达式）。有关更多信息，请参见文档。

您可以制作一个正则表达式来接受这些代码的许多不同格式，然后使用 re.findall或类似的功能提取信息。我不确定CPV是什么，所以我没有它的正则表达式（但也许你可以看看谷歌是否有？）

- Rafe Kettler