如何在Python正则表达式中匹配字符串列表中的任意字符串？

Question

假设我有一个字符串列表，

string_lst = ['fun', 'dum', 'sun', 'gum']

我想创建一个正则表达式，在其中的某个位置，我可以匹配列表中包含的任何字符串，在一个组内，例如：

import re
template = re.compile(r".*(elem for elem in string_lst).*")
template.match("I love to have fun.")

应该如何正确地做到这一点？还是必须制作多个正则表达式并将它们全部分别匹配到字符串中？

- Josh Weinstein

---

使用|作为粘合剂将数组元素连接起来，将形成字符串fun|dum|sun|gum，可以在正则表达式中使用。 - Tushar

re.search('|'.join(string_lst), input_string) - Avinash Raj

any(z in string_list for z in re.findall(r"['\w]+", 'This is just for fun')) - Burhan Khalid

你关心找到哪个字符串，还是只要找到任何一个就可以？ - Burhan Khalid

答案是可以的，但不是最优的。你的问题是想要自动找到正则表达式r"[fs]un|[dg]u[m]"吗？ 这是一个非常有趣的问题，顺便说一下，它是诸如音韵学等领域的基础，但我需要知道你是否打算解决这个问题，以及是否可以假设相似长度或至少在插入、删除和替换之间设置一些权衡，在什么条件下正则表达式是最小的，这些方面的事情。 - Veltzer Doron

Answer 1

使用管道符号|将项目添加到列表中，该符号代表正则表达式中的不同选项。

string_lst = ['fun', 'dum', 'sun', 'gum']
x="I love to have fun."

print re.findall(r"(?=("+'|'.join(string_lst)+r"))", x)

输出结果：['fun']

你不能使用match，因为它将从开头开始匹配。 使用search只会得到第一个匹配项。因此，请改用findall。

如果有重叠的匹配项不从同一点开始，请使用lookahead。

- vks

---

但是如果存在像“funny”这样的单词，则会返回“['fun']”。 - Marlon Abeykoon

哦，不错。re.findall(r"(?=\b("+'|'.join(string_lst)+r")\b)",x) 对我有效。 - Marlon Abeykoon

这种方法是正确的，但无法完成全部任务。它将匹配给定字符串中列表单词的每个出现，甚至在其他具有类似单词部分的单词中也会匹配。例如，请尝试提供 x =“我喜欢有趣”并进行检查。适当的原始格式应为：print(re.findall(r"(?=(\b" + '|'.join(string_lst) + r"\b))", x)) - Pranzell

@Pranzell，我已经删除了你的编辑。请在现有答案下面添加你的答案，并说明更好的条件 :) - vks

Answer 2

regex模块有命名列表(实际上是集合):

#!/usr/bin/env python
import regex as re # $ pip install regex

p = re.compile(r"\L<words>", words=['fun', 'dum', 'sun', 'gum'])
if p.search("I love to have fun."):
    print('matched')

这里的words只是一个名称，你可以使用任何你喜欢的名字代替。
在命名列表前/后使用.search()方法而不是.*。

要使用stdlib的re模块模拟命名列表：

#!/usr/bin/env python
import re

words = ['fun', 'dum', 'sun', 'gum']
longest_first = sorted(words, key=len, reverse=True)
p = re.compile(r'(?:{})'.format('|'.join(map(re.escape, longest_first))))
if p.search("I love to have fun."):
    print('matched')

re.escape() 用于转义正则表达式元字符，例如在单词中的 .*? （以实现文字匹配）。
sorted() 模拟了 regex 的行为，并将最长的单词放在替代方案中的第一位，比较如下：

>>> import re
>>> re.findall("(funny|fun)", "it is funny")
['funny']
>>> re.findall("(fun|funny)", "it is funny")
['fun']
>>> import regex
>>> regex.findall(r"\L<words>", "it is funny", words=['fun', 'funny'])
['funny']
>>> regex.findall(r"\L<words>", "it is funny", words=['funny', 'fun'])
['funny']

- jfs

---

你可以补充说明它解决了 a|b|c|d ... 方法（线性搜索）的复杂性问题。 - Jean-François Fabre

@Jean-FrançoisFabre 我不确定是否有区别（两个接口都可以编译成相同的输入算法线性时间（实际实现可能会有所不同--在这种情况下，如果对您的输入很重要，请进行基准测试））。 - jfs

Answer 3

除了正则表达式，您还可以使用列表推导式，希望不会偏离主题。

import re
def match(input_string, string_list):
    words = re.findall(r'\w+', input_string)
    return [word for word in words if word in string_list]

>>> string_lst = ['fun', 'dum', 'sun', 'gum']
>>> match("I love to have fun.", string_lst)
['fun']

- lord63. j

Answer 4

在将字符串组合成正则表达式之前，您应该确保正确转义字符串。

>>> import re
>>> string_lst = ['fun', 'dum', 'sun', 'gum']
>>> x = "I love to have fun."
>>> regex = re.compile("(?=(" + "|".join(map(re.escape, string_lst)) + "))")
>>> re.findall(regex, x)
['fun']

- John La Rooy

---

有没有办法在这里使用re.search而不是re.findall。我尝试使用re.search，但输出结果很糟糕：<re.Match object; span=(15, 15), match=''>。 - ZZZ

Answer 5

与@vks的回复一致-我认为这实际上完成了整个任务...

finds = re.findall(r"(?=(\b" + '\\b|\\b'.join(string_lst) + r"\b))", x)

加入单词边界即可完成任务！

- Pranzell