在python的列表中搜索字符串答案

【问题标题】：Searching a string in a list in python在python的列表中搜索字符串
【发布时间】：2011-08-19 23:22:57
【问题描述】：

你好我有一个包含邮件地址的字符串。例如（user@foo.bar.com）我有一个列表，其中仅包含域（'bar.com'、'stackoverflow.com'）等。

如果列表包含我的字符串的域，我想搜索它。现在我正在使用这样的代码

if tokens[1].partition("@")[2] in domainlist:

tokens[1] 包含邮件地址， domainlist 包含域。但正如您所见，tokens[1].partition("@")[2] 的结果将返回foo.bar.com，但我的列表包含域bar.com。如何使这个 if 语句返回 true？而且速度应该非常快，因为每秒会收到数百个邮件地址

【问题讨论】：

对于某些类型的电子邮件地址，使用 .partition("@")[2] 将失败。请参阅stackoverflow.com/questions/5908190/… 了解如何操作。

标签： python string list substring

【解决方案1】：

它应该像这样工作：

if any(tokens[1].endswith(domain) for domain in domainlist):

【讨论】：

太简单了，域名 'foo.com' 也会匹配 'somefoo.com'
哎呀，对不起......它有一个问题......如果'bar.com'在域列表中，它会为'me@foobar.com'返回true。可能不是 OP 想要的... :-(
请参阅stackoverflow.com/questions/5908190/… 以防len(domainlist)>1000，以了解避免做 1000 倍工作的方法。否则这是一个有效的答案。

【解决方案2】：

如果速度对您来说真的是个问题，您可以研究像 Aho-Corasick 这样的方法。有很多可用的实现，比如esmre/esmhttp://code.google.com/p/esmre/

正如@Riccardo Galli 所指出的，简单的字符串匹配会产生一些误报，因此您可以先尝试使用esmre，将相应的正则表达式添加到索引中，例如index.enter("(^|\.){0}$".format(domain))

【讨论】：

【解决方案3】：

与其他答案相反，这里的“foo.com”也不匹配“@y.afoo.com”

def mailInDomains(mail,domains):

    for domain in domainList:
        dLen = len(domain)
        if mail[-dLen:]==domain and mail[-dLen-1] in ('.','@'):
            return True

    return False

【讨论】：

【解决方案4】：

首先，将domainlist 设为一组。检查里面是否有东西会更快。

其次，将所有“超级域”添加到该集合中，例如“foo.bar.com”的“bar.com”。

domainlist = ['foo.bar.com', 'bar2.com', 'foo3.bar3.foobar.com']
domainset = set()
for domain in domainlist:
    parts = domain.split('.')
    domainset.update('.'.join(parts[i:]) for i in xrange(len(parts)-1))

#domainset is now:
set(['bar.com',
     'bar2.com',
     'bar3.foobar.com',
     'foo.bar.com',
     'foo3.bar3.foobar.com',
     'foobar.com'])

现在你可以测试了

if tokens[1].partition("@")[2] in domainset:

【讨论】：

【解决方案5】：

数百个邮件地址应该不是问题。以下为单行：

any(domain.endswith(d) for d in MY_DOMAINS)

在这里，你可以做user,sep,domain = address.rpartition('@')。否则，对于"B@tm4n"@something.com等电子邮件地址，您当前的方法将失败，根据https://www.rfc-editor.org/rfc/rfc5322有效

如果性能成为一个因素，您可以使用 Trie（一种数据结构）。如果性能仍然是一个因素，您可以使用其他技巧。

以上内容遍历了您正在检查的域中的每个元素，因此如果您的列表中有 1000 个域，则需要对每个电子邮件地址进行 1000 次查找。如果这是一个问题，您可以执行此操作以在每次查找时实现 O(1)（您可能还需要确保检查的后缀不超过 5 个，以保护自己免受恶意制作的电子邮件地址的侵害）。

MY_DOMAINS = set(MY_DOMAINS)

def suffixes(domain):
    """
        suffixes('foo.bar.com') -yields-> ['foo.bar.com', 'bar.com', 'com']
    """
    while True:
        yield domain
        parts = domain.split('.',1)
        if len(parts>1)
            domain = parts[1]
        else:
            break
def isInList(address):
    user,sep,domain = address.rpartition('@')
    return any(suffix in MY_DOMAINS for suffix in suffixes(domain))

【讨论】：