获取字符串中非唯一单词的边界索引

Question

假设我有以下字符串：

 (def strg "apple orange apple")

我想要字符串中每个非唯一单词的边界索引。 因此，第一次出现的苹果应该具有边界索引（0,4），而第二次出现的苹果应该具有边界索引（13，17）。

我一直在使用的一种方法是首先将每个字符的索引存储在字符串中，然后对于每个索引n，通过在n-1处寻找空格来标识单词边界（是的，这漏掉了-字串）。 如果满足此条件，则遍历下k个字符，直到命中另一个空格-该空格之前的位置处的字符是第二个边界索引。 此（失败）代码的第一部分是

 (for [ch strg] 
      (let [indx  (int  (.indexOf  strg  (str ch)))] 
           (cond  (= (subs ch indx-1 ) " " ) 
           continue with rest of above-described code logic

任何想法（Clojure，Java或Python都可以）

Answer 1

对于Clojure / Java而言，更典型的是使用开始字符和结束字符后的索引，因此使用[0, 5]和[13, 18]代替。 Java的Matcher将以这种方式返回每个比赛的开始和结束。

(def strg "apple orange apple")

(defn re-indices [re s] 
  (let [m (re-matcher re s)] 
    ((fn step [] 
       (when (. m find) 
         (cons [(. m start) (. m end)] (lazy-seq (step))))))))

(re-indices #"\S+" strg)
;=> ([0 5] [6 12] [13 18])

subs将适当地使用它们

(->> (re-indices #"\S+" strg)
     (group-by (partial apply subs strg)))
;=> {"apple" [[0 5] [13 18]], "orange" [[6 12]]}

在这里，您只能过滤出具有多个索引对的那些子字符串键。

Answer 2

In [9]: import re

In [13]: def find_ind(word, s):
             return [(w.start(), w.end() - 1) for w in re.finditer(word, s) if s.count(word) > 1]

In [14]: find_ind("apple",s)
        [(0, 4), (13, 17)]

In [15]: find_ind("orange",s)
        []

使用python和re.finditer

返回一个迭代器，该迭代器在字符串的RE模式的所有非重叠匹配上产生MatchObject实例