我应该使用哪种字符串度量或 NLP 算法来查找不同 URL 中的子字符串答案

【问题标题】：Which string metric or NLP algorithm is should I use to find substring in different URLs我应该使用哪种字符串度量或 NLP 算法来查找不同 URL 中的子字符串
【发布时间】：2020-04-30 11:59:04
【问题描述】：

我正在尝试查找具有用户提供的关键字的 URL。

Eg. Keyword - 'Avengers' 
#URL1: www.xyzmovies.com/Avengers_2019/243564
#URL2: www.avengers.org/4r43435
#URL3: www.abcmovies.co/23543/avenngers_34435/walt/marvel/comics

难点在于网址没有单一的标准，关键字可以出现在网址中的任何位置。需要捕获也有拼写错误的 url。

哪种算法最适合在 python 中完成这项任务。

【问题讨论】：

该任务似乎适合在 python 中使用带有re 的正则表达式。
拼写错误有多严重？
'avengers' in url是检查'avengers'是否在url中的测试。

标签： python string url

【解决方案1】：

如果我理解正确，您可以使用

"keyword".lower() in url.lower()

如果关键字在 URL 中，则返回 True，否则返回 False。 .lower() 确保结果不区分大小写。为了解决拼写错误，我会查看 stringgrouper 或 fuzzywuzzy 库。 Fuzzywuzzy 的部分比率非常适合这一点，因为它专门查看部分字符串匹配，因此您的关键字“Avengers”将被视为与 URL1 的完美匹配，而“Avnegers”可能仍会获得高分。

【讨论】：