如何替换文本中的字符串列表，其中一些字符串是python中其他字符串的子串？

Question

我有一个包含我想要标记的单词的文本，要标记的单词包含在List中。 问题是其中一些单词是其他单词的子串，但我想从列表中标记最长的识别字符串。

例如，如果我的文字是“foo和bar与foo bar不同”。 我的列表包含“foo”，“bar”和“foo bar”，结果应为“[tag] foo [/ tag]和[tag] bar [/ tag]与[tag] foo bar [/ tag]不同“。

text = "foo and bar are different from foo bar."
words = ["foo", "bar", "foo bar"]

tagged = someFunction(text, words)

someFunction的代码应该是什么，使得字符串taggedText的值为"<tag>foo</tag> and <tag>bar</tag> are different from <tag>foo bar</tag>." ？

Answer 1

如果我理解你的问题，那么这就是你要找的东西： -

text = "foo and bar are different from foo bar."
words = ["foo", "bar", "foo bar"]

add_tag = lambda var : "<tag>"+var+"</tag>"

result = ''    # for final string
for var in text.split():
    if var in words:
        tmp = add_tag(var)
    else:
        tmp = var
    result += " "+tmp

print result    
return result

这里add_tag()方法，服务你都看在someFunction 。

Answer 2

实现这一目标的一种简单方法是按相反的顺序按长度对words进行排序，然后创建正则表达式word1|word2|... 由于重新引擎始终进行第一次匹配，因此将首先捕获更长的字符串。

import re

def tag_it(text, words):
    return re.sub(
            '|'.join(sorted(words, key=len, reverse=True)),
            lambda m: '<tag>' + m.group(0) + '</tag>',
            text)


text = "foo and bar are different from foo bar."
words = ["foo", "bar", "foo bar"]


print tag_it(text, words)