匹配字符串（Python）中的單詞的有效方法是什麼？

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（）如果有名單的是文本搜索。

簡單的方法是使用'in'運算符來檢查名稱是否在列表中，但列表中有5,000個項目，所以效率不高。我可以將文本拆分爲單詞，並檢查單詞是否爲in列表，但如果您有多個單詞匹配，則這不起作用。在這種情況下，第7行將失敗。

Answer 1

將名稱轉換爲set並使用in-operator進行快速O（1）查找。

您可以使用正則表達式在一個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，以獲得良好的性能。

Answer 3

如果您有一種將名稱拉出短語並且不必擔心部分匹配（全名始終位於字符串中）的機制，則可以使用一組而不是一個列表。

你的代碼是完全一樣的，但增加了第2行：

names = set(names) 

的in操作現在可以正常快得多。

Answer 4

使用所有替代方法構建正則表達式。這樣你就不必擔心事先將這些名字從這些短語中拉出來。

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')