匹配字符串（Python）中的单词的有效方法是什么？

Question

例子：

1. names = ['James John', 'Robert David', 'Paul' ... the list has 5K items] 
2. 
3. text1 = 'I saw James today' 
4. text2 = 'I saw James John today' 
5. text3 = 'I met Paul' 
6. 
7. is_name_in_text(text1,names) # this returns false 'James' in not in list 
8. is_name_in_text(text2,names) # this returns 'James John' 
9. is_name_in_text(text3,names) # this return 'Paul' 

is_name_in_text（）如果有名单的是文本搜索。

简单的方法是使用'in'运算符来检查名称是否在列表中，但列表中有5,000个项目，所以效率不高。我可以将文本拆分为单词，并检查单词是否为in列表，但如果您有多个单词匹配，则这不起作用。在这种情况下，第7行将失败。

Answer 1

将名称转换为set并使用in-operator进行快速O（1）查找。

您可以使用正则表达式在一个句子解析出可能的名字：

>>> import re 
>>> findnames = re.compile(r'([A-Z]\w*(?:\s[A-Z]\w*)?)') 
>>> def is_name_in_text(text, names): 
     for possible_name in set(findnames.findall(text)): 
      if possible_name in names: 
       return possible_name 
     return False 

>>> names = set(['James John', 'Robert David', 'Paul']) 
>>> is_name_in_text('I saw James today', names) 
False 
>>> is_name_in_text('I saw James John today', names) 
'James John' 
>>> is_name_in_text('I met Paul', names) 
'Paul' 

Answer 2

您可以使用，而在操作使用Python的set，以获得良好的性能。

Answer 3

如果您有一种将名称拉出短语并且不必担心部分匹配（全名始终位于字符串中）的机制，则可以使用一组而不是一个列表。

你的代码是完全一样的，但增加了第2行：

names = set(names) 

的in操作现在可以正常快得多。

Answer 4

使用所有替代方法构建正则表达式。这样你就不必担心事先将这些名字从这些短语中拉出来。

import re 
names_re = re.compile(r'\b' + 
         r'\b|\b'.join(re.escape(name) for name in names) + 
         r'\b') 

print names_re.search('I saw James today')