正则表达式：搜索包含多个部分的多个单词

Question

我正在尝试实现搜索一组包含多个部分的多个单词。 例如，我们有这些医学术语。

R Deep Transverse Metatarsal Ligament 4 GEODE
R Distal JointCapsule 1 GEODE
R Dorsal Calcaneocuboid Ligament GEODE
R Dorsal Carpometacarpal Ligament 2 GEODE
R Dorsal Cuboideavicular Ligament GEODE
R Dorsal Tarsometatarsal Ligament 5 GEODE
R Elbow Capsule GEODE
R F Distal JointCapsule 1 GEODE
R Fibular Collateral Bursa GEODE
R Fibular Collateral Ligament GEODE
R Fibular Ligament GEODE

用户可以输入如下搜索词：

例如，“ R De Me Li”，则应找到“ R Deep Trans横向s骨韧带4 GEODE”

例如，“ Fi Colla” ==>“ R腓侧副韧带GEODE”，“ R腓侧副韧带GEODE”

例如，“弓形ODE” ==>“ R肘形胶囊GEODE”

也就是说，即使用户输入单词的某些部分，它也应该找到答案。 如果有多个答案，则应全部显示。 非常感谢您的帮助。

添加）哦..我忘记了一些东西。

例如，“ ral lar” ==>不应显示“ R腓侧副韧带GEODE”或“ R腓侧副韧带GEODE”，因为应考虑查询词的顺序。

另外，查询词之间的空格表示每行（数据库）的不同词。

查询词的顺序应与每行（数据库）的词相同，但是查询词可以比数据库词短。

例如，“ R De Me 4” ==>“ R横向横Meta韧带4 GEODE”在这里我们可以看到'Metatarsal'和'Ligament'包含'me'，但是与​​'Metatarsal'的第一个匹配很好，并且4将被搜索。

此外，查询词的不同组合可以返回相同的结果。

例如。，

'汽车'==>'R腕掌韧带2 GEODE'

'Do Car'==>'R背腕掌韧带2 GEODE'

'R Do Carp'==>'R背腕掌韧带2 GEODE'

注意：不区分大小写。

Answer 1

您可以在标准发行版中使用difflib进行此操作：

import difflib

s="""R Deep Transverse Metatarsal Ligament 4 GEODE
R Distal JointCapsule 1 GEODE
R Dorsal Calcaneocuboid Ligament GEODE
R Dorsal Carpometacarpal Ligament 2 GEODE
R Dorsal Cuboideavicular Ligament GEODE
R Dorsal Tarsometatarsal Ligament 5 GEODE
R Elbow Capsule GEODE
R F Distal JointCapsule 1 GEODE
R Fibular Collateral Bursa GEODE
R Fibular Collateral Ligament GEODE
R Fibular Ligament GEODE""".split('\n')

qs="""R De Me Li
Fi Colla
bow ODE""".split('\n')

for q in qs:
    print "results for '{}':".format(q)
    matches=difflib.get_close_matches(q,s,3,0.3)
    for i,e in enumerate(matches,1):
        print "\t{}. {}".format(i,e)

印刷品：

results for 'R De Me Li':
    1. R Deep Transverse Metatarsal Ligament 4 GEODE
    2. R Dorsal Calcaneocuboid Ligament GEODE
    3. R Dorsal Cuboideavicular Ligament GEODE
results for 'Fi Colla':
    1. R Fibular Collateral Bursa GEODE
    2. R Fibular Collateral Ligament GEODE
results for 'bow ODE':
    1. R Elbow Capsule GEODE

结合cblab有关将regex与difflib结合的答案 ，可以得到以下信息：

s="""R Deep Transverse Metatarsal Ligament 4 GEODE
R Distal JointCapsule 1 GEODE
R Dorsal Calcaneocuboid Ligament GEODE
R Dorsal Carpometacarpal Ligament 2 GEODE
R Dorsal Cuboideavicular Ligament GEODE
R Dorsal Tarsometatarsal Ligament 5 GEODE
R Elbow Capsule GEODE
R F Distal JointCapsule 1 GEODE
R Fibular Collateral Bursa GEODE
R Fibular Collateral Ligament GEODE
R Fibular Ligament GEODE""".split('\n')
s=set(s)
qs="""R De Me Li
Fi Colla
bow ODE
Car
Do Car
ral lar
R De Me 4
R Do Carp""".split('\n')

for q in sorted(qs):
    print "results for '{}':".format(q)
    pattern = r'.*' + re.sub(r'\W', '.*', q.strip()) + '.*'
    matches=[item for item in s if re.match(pattern, item, re.I)]
    for e in difflib.get_close_matches(q,s,3,0.33):
        if e not in matches: 
            matches.append(e)

    for i,e in enumerate(matches,1):
        print "\t{}. {}".format(i,e)
    else:
        if len(matches)==0:
            print "\tNo matches"    

印刷品：

results for 'Car':
    1. R Dorsal Carpometacarpal Ligament 2 GEODE
results for 'Do Car':
    1. R Dorsal Carpometacarpal Ligament 2 GEODE
results for 'Fi Colla':
    1. R Fibular Collateral Bursa GEODE
    2. R Fibular Collateral Ligament GEODE
results for 'R De Me 4':
    1. R Deep Transverse Metatarsal Ligament 4 GEODE
results for 'R De Me Li':
    1. R Deep Transverse Metatarsal Ligament 4 GEODE
    2. R Dorsal Calcaneocuboid Ligament GEODE
results for 'R Do Carp':
    1. R Dorsal Carpometacarpal Ligament 2 GEODE
    2. R Elbow Capsule GEODE
    3. R Distal JointCapsule 1 GEODE
results for 'bow ODE':
    1. R Elbow Capsule GEODE
results for 'ral lar':
    No matches

Answer 2

一个简单的pythonic解决方案，它按照回答进行工作，并且不区分大小写 ：

import re

def search(request, base):
    pattern = r'.*' + re.sub(r'\W', '.*', request.strip()) + '.*'
    return [item for item in base if re.match(pattern, item, re.I)]

基本上，我们创建一个简单的正则表达式，以原始顺序匹配包含请求的所有子字符串（所有内容均由非单词字符分隔）的所有字符串，以及之前，之中和之后的任何内容。

例如，请求'R De Me Li'成为模式r'.*R.*De.*Me.Li.*'

然后，我们返回 所有匹配结果 的列表 。 由于re.match()的标记re.I ，所以它不区分大小写。

然后，它可以按预期工作，您可以尝试使用基础：

>>> base = ['R Deep Transverse Metatarsal Ligament 4 GEODE',
'R Distal JointCapsule 1 GEODE',
'R Dorsal Calcaneocuboid Ligament GEODE',
'R Dorsal Carpometacarpal Ligament 2 GEODE',
'R Dorsal Cuboideavicular Ligament GEODE',
'R Dorsal Tarsometatarsal Ligament 5 GEODE',
'R Elbow Capsule GEODE',
'R F Distal JointCapsule 1 GEODE',
'R Fibular Collateral Bursa GEODE',
'R Fibular Collateral Ligament GEODE',
'R Fibular Ligament GEODE']

一些示例请求：

>>> search('R De Me Li', base)
['R Deep Transverse Metatarsal Ligament 4 GEODE']
>>> search('Fi Colla', base)
['R Fibular Collateral Bursa GEODE', 'R Fibular Collateral Ligament GEODE']
>>> search('bow ODE', base)
['R Elbow Capsule GEODE']
>>> search('Car', base)
['R Dorsal Carpometacarpal Ligament 2 GEODE']
>>> search('F', base)
['R F Distal JointCapsule 1 GEODE', 'R Fibular Collateral Bursa GEODE', 'R Fibular Collateral Ligament GEODE', 'R Fibular Ligament GEODE']
>>> search('F Ca', base)
['R F Distal JointCapsule 1 GEODE']
>>> search('F Co', base)
['R Fibular Collateral Bursa GEODE', 'R Fibular Collateral Ligament GEODE']

注意：仅当请求中和项目中的顺序相同时，它才会匹配（例如， 'ode bow'作为请求将不匹配['R Elbow Capsule GEODE'] ，而'bow ode'将匹配）。

注意： 至少在起初 ，我认为模糊搜索不会有太大帮助，因为它基于Levenshtein（编辑距离）之类的距离，例如“ Fi”和“ Fibular”之间的距离会很大（ 5的单词中的7的距离... 35％时，我不知道这是个好主意...如果您可以确定请求中只包含完整的单词，可能会有一点点误会，可以使用它

Answer 3

并不是真正的“正则表达式”问题； 您应该查看字符串的模糊比较，即Levenshtein距离或diff。

参见https://stackoverflow.com/questions/682367/good-python-modules-for-fuzzy-string-comparison

编辑：一些示例代码：

import Levenshtein

base_strings = [
    "R Deep Transverse Metatarsal Ligament 4 GEODE",
    "R Distal JointCapsule 1 GEODE",
    "R Dorsal Calcaneocuboid Ligament GEODE",
    "R Dorsal Carpometacarpal Ligament 2 GEODE",
    "R Dorsal Cuboideavicular Ligament GEODE",
    "R Dorsal Tarsometatarsal Ligament 5 GEODE",
    "R Elbow Capsule GEODE",
    "R F Distal JointCapsule 1 GEODE",
    "R Fibular Collateral Bursa GEODE",
    "R Fibular Collateral Ligament GEODE",
    "R Fibular Ligament GEODE"
]

def main():
    print("Medical term matcher:")
    while True:
        t = raw_input('Match what? ').strip()
        if len(t):
            print("Best match: {}".format(sorted(base_strings, key = lambda x: Levenshtein.ratio(x, t), reverse=True)[0]))
        else:
            break

if __name__=="__main__":
    main()

实际输出：

Medical term matcher:
Match what? R De Me Li
Best match: R Deep Transverse Metatarsal Ligament 4 GEODE
Match what? Fi Colla
Best match: R Fibular Collateral Bursa GEODE
Match what? bow ODE
Best match: R Elbow Capsule GEODE
Match what? 

编辑2： “如果有多个答案，则应显示所有答案”-基本字符串在不同程度上都是答案。 那么，问题是您要使用哪种相似度截止值？ 也许像“所有答案至少比最佳匹配的答案好90％”？

Answer 4

当所有粒子（在输入中用空格分隔的字符串段）都出现在结果中时，以下代码会使您想考虑“匹配”。 我在示例中使用了循环，但是您当然应该将其修改为使用raw_input 。

尽管它使用了正则表达式（允许有多个空格），但主要使用的功能是以下if particle in line的if particle in line ：

import re

entry = """R Deep Transverse Metatarsal Ligament 4 GEODE
R Distal JointCapsule 1 GEODE
R Dorsal Calcaneocuboid Ligament GEODE
R Dorsal Carpometacarpal Ligament 2 GEODE
R Dorsal Cuboideavicular Ligament GEODE
R Dorsal Tarsometatarsal Ligament 5 GEODE
R Elbow Capsule GEODE
R F Distal JointCapsule 1 GEODE
R Fibular Collateral Bursa GEODE
R Fibular Collateral Ligament GEODE
R Fibular Ligament GEODE
"""

searches = """R De Me Li
Fi Colla
bow ODE"""

for search in searches.split('\n'):
    print search, ':'
    termlist = re.split('\s', search)
    for line in entry.split('\n'):
        match = True
        for term in termlist:
            if not term in line:
                match = False
        if match:
            print '\t', line
    print