在python中识别字符串中的子字符串的最有效方法？答案

【问题标题】：most efficient way to go about identifying sub-strings in a string in python?在python中识别字符串中的子字符串的最有效方法？
【发布时间】：2011-01-12 19:02:35
【问题描述】：

我需要在相当长的字符串中搜索 CPV（通用采购词汇）代码。

目前我正在使用一个简单的 for 循环和 str.find() 进行此操作

问题是，如果 CPV 代码以稍微不同的格式列出，此算法将找不到它。

在字符串中搜索代码的所有不同迭代的最有效方法是什么？这仅仅是重新格式化多达 10,000 个 CPV 代码并为每个实例使用 str.find() 的情况吗？

不同格式的示例如下

30124120-1 
301241201 
30124120 - 1
30124120 1
30124120.1

等等

谢谢:)

【问题讨论】：

标签： python string fuzzy-search

【解决方案1】：

试试正则表达式：

>>> 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 紧密匹配。）

【讨论】：

【解决方案2】：

尝试使用re（Python 的正则表达式）中的任何函数。请参阅the docs 了解更多信息。

您可以制作一个正则表达式来接受这些代码的多种不同格式，然后使用re.findall 或类似的东西来提取信息。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 Google 是否有任何正则表达式？）

【讨论】：

【解决方案3】：

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

正则表达式可以读作

(\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)

希望有帮助！

【讨论】：

+1 用于规范化。不过，我确实建议使用r 字符串前缀而不是\\\t。
@larsman：谢谢，我已将其更改为原始字符串并重新排序字符列表以便于理解。