字符串中模式的出现次数及其索引

Question

如果我有一个模式'haha' 和一个文本'hahahaha'，我希望在[0,2,4] 之类的列表中返回模式的索引。 但是，如果我这样做

def find_pat(text, pattern)
    import re
        return[x.start() for x in re.finditer(pattern,text)]

它返回 [0,4]，并且无法在索引 2 处看到模式的重复。 我将如何以最 Pythonic 和最有效的方式实现所需的输出？

Answer 1

pattern = "haha"
text = "hahahaha"
[i for i in range(len(text)-len(pattern)+1) if text[i:].startswith(pattern)]

iter 将使用它看到的标记，因此它会使用第一个匹配项的前四个字母...

实际上，使用前瞻的解决方案可能是正确的（基于问题而不是用例）但这也可以工作......

Answer 2

使用积极的前瞻断言：

>>> import re
>>> def find_pat(text, pattern):
...     return [x.start() for x in re.finditer("(?={})".format(pattern), text)]
...
>>> find_pat('hahahaha', 'haha')
[0, 2, 4]
>>>

这是reference。

Answer 3

正如 Joran Beasley 的回答所示，使用纯字符串函数比使用正则表达式进行静态字符串查找要快得多。

但是如果 N 非常大并且匹配不常见，那么测试 startswith N 次本身可能会大大降低速度。另外，由于您使用的是finditer 而不是findall，我怀疑您可能会担心这种情况。

使用str.find 可以两全其美。当然，最终这与在每个点使用 startswith 所做的工作相同——但它是在 C 中完成的，在没有匹配的情况下进行长距离压缩，速度提高了 20 倍。

另一方面，没有办法将这个重复的find 包装在一个简单的循环表达式中。 （除非您在闭包周围使用iter 构建一个复杂的包装器，但我怀疑这实际上会有所帮助。）因此，代码看起来会比 Joran 的 listcomp 更复杂。当匹配非常普遍时，它可能会更慢（因为在这种情况下，你大部分时间都花在循环中，并且显式循环语句比理解慢）。

从好的方面来说，额外的冗长意味着如何自定义它更明显。例如，如果您决定要跳过重叠匹配，只需使用 i += len(pattern) 而不是 i += 1。

def finditer(text, pattern):
    i = 0
    while True:
        i = text.find(pattern, i)
        if i == -1: return
        yield i
        i += 1

来自快速测试（在 64 位 Apple CPython 2.7.5 下）：

In [931]: pattern = 'ha'
In [932]: text = 'hahahaha'
In [933]: %timeit [i for i in range(len(text)-len(pattern)+1) if text[i:].startswith(pattern)]
100000 loops, best of 3: 2.69 µs per loop
In [934]: %timeit list(finditer(text, pattern))
100000 loops, best of 3: 3.56 µs per loop
In [935]: text = ('hahahaha' + string.ascii_lowercase + 'ha')*100
pattern = 'ha'
In [936]: %timeit [i for i in range(len(text)-len(pattern)+1) if text[i:].startswith(pattern)]
100000 loops, best of 3: 1.74 ms per loop
In [937]: %timeit list(finditer(text, pattern))
100000 loops, best of 3: 180 µs per loop

因此，即使对于一个非常短的字符串（匹配率为 50%），它也几乎与 Joran 的代码一样快；对于具有 11% 匹配的更长字符串，它已经快了 9.6 倍。如果匹配更不常见，或者如果我们实际上不需要列表，显然它会赢得更大。

Answer 4

我确信有更好的方法来做到这一点。不过，这是我的第一个看法：

编辑：我误读了这个问题——他试图匹配 [haha]haha、ha[haha]ha 和 haha​​[haha]。我的只匹配 [haha]haha 和 haha​​[haha] 因为我认为他正在寻找独特的匹配。在编程时，阅读理解是一个加分项。

def find_text(text,pattern):
    indexes = list()
    index = 0
    patlen = len(pattern)
    while index<=len(text)-patlen:
        if text[index:].startswith(pattern):
            indexes.append(index)
            index+=patlen
        else:
            index+=1
    return indexes