搜索文件中单词列表的完全匹配

Question

关于此问题有很多问题，有些使用正则表达式，有些使用open，还有其他，但是我发现没有一个适合我的要求。

我正在打开一个包含字符串的xml文件，每行1个。 例如

<string name="AutoConf_5">setup is in progress…</string>

我想遍历文件中的每一行，并在每一行中搜索列表中单词的精确匹配。 当前代码似乎可以正常工作并打印出匹配项，但是并不能完全匹配，例如“通过”找到“通过”，“专业”找到“提供”，“过程”，“进行”等

def stringRun(self,file):
    str_file = ['admin','premium','pro','paid','pass','password','api']
    with open(file, 'r') as sf:
        for s in sf:
            if any(x in str(s) for x in str_file):
                self.progressBox.AppendText(s)

Answer 1

而不是使用匹配行中任何子字符串的函数“ in”，您应该使用regex“ re.search”，但我没有用python检查过它，因此可能出现了较小的语法错误，但这是一般的想法，请替换如果在您的代码中这样：

if any(re.search(x, str(s)) for x in str_file):

然后，您可以使用正则表达式的功能来搜索列表中带有单词边界的单词。 您需要在每个搜索字符串的开头和结尾添加“ \\ b”，或在以下条件下全部添加：

if any(re.search(r'\b' + x + r'\b', str(s)) for x in str_file):

Answer 2

如果要精确匹配，IMO，最好的方法是准备要匹配的字符串，然后在每一行中搜索每个字符串。

对于实例，您可以在标记的字符串和要匹配的字符串之间准备映射：

tagged = {'<string name="AutoConf_5">{0}</string>'.format(s): s
          for s in str_file}

该dict是您要匹配的标记字符串和实际字符串之间的关联。

您可以这样使用它：

for line in sf:
    line = line.strip()
    if line in tagged:
        self.progressBox.AppendText(tagged[line])

注意：如果您的任何字符串包含“＆”，“ <”或““>”，则需要转义这些字符，如下所示：

from xml.sax.saxutils import escape

tagged = {'<string name="AutoConf_5">{0}</string>'.format(escape(s)): s
          for s in str_file}

另一个解决方案是使用lxml解析您的XML树并查找与给定xpath表达式匹配的节点。

编辑：至少匹配一个单词（形成单词列表）

您有一个包含单词的字符串列表。 要匹配至少包含此列表单词的XML内容，可以使用正则表达式。

您可能会遇到2个困难：

• 像文本文件一样解析的XML内容可以包含“＆”，“ <”或““>”。 因此，您需要取消转义XML内容。
• 您的单词列表中的某些单词可能包含RegEx特殊字符（例如“ [”或“（”），必须对其进行转义。

首先，您可以准备一个RegEx（和一个函数）以查找字符串中单词的所有出现。 为此，可以使用“ \\ b”来匹配空字符串，但只能在单词的开头或结尾处进行匹配：

str_file = ['admin', 'premium', 'pro', 'paid', 'pass', 'password', 'api']

re_any_word = r"\b(?:" + r"|".join(re.escape(e) for e in str_file) + r")\b"
find_any_word = re.compile(re_any_word, flags=re.DOTALL).findall

例如：

>>> find_any_word("Time has passed")
[]
>>> find_any_word("I pass my exam, I'm a pro")
['pass', 'pro']

要提取XML片段的内容，您还可以使用RegEx（即使在一般情况下不建议这样做，在这里还是值得的）：

以下RegEx（和函数）与"<string>...</string>"片段匹配，然后在第一组中选择内容：

re_string = r'<string[^>]*>(.*?)</string>'
match_string = re.compile(re_string, flags=re.DOTALL).match

例如：

>>> match_string('<string name="AutoConf_5">setup is in progress…</string>').group(1)
setup is in progress…

现在，您要做的就是逐行解析文件。

对于演示，我使用了一个字符串列表：

lines = [
    '<string name="AutoConf_5">setup is in progress…</string>\n',
    '<string name="AutoConf_5">it has passed</string>\n',
    '<string name="AutoConf_5">I pass my exam, I am a pro</string>\n',
]

for line in lines:
    line = line.strip()
    mo = match_string(line)
    if mo:
        content = saxutils.unescape(mo.group(1))
        words = find_any_word(content)
        if words:
            print(line + " => " + ", ".join(words))

你得到：

<string name="AutoConf_5">I pass my exam, I am a pro</string> => pass, pro