Una delle soluzioni più efficienti è utilizzare Aho–Corasick string matching algorithm ed è un algoritmo non banale progettato per questo tipo di problema. (ricerca di più stringhe predefinite in testo sconosciuto)
Per questo è disponibile il pacchetto.
https://pypi.python.org/pypi/ahocorasick/0.9
https://hkn.eecs.berkeley.edu/~dyoo/python/ahocorasick/
Edit: Ci sono anche pacchetti più recenti disponibili (rifugio provato uno di essi) https://pypi.python.org/pypi/pyahocorasick/1.0.0
extra:
ho fatto un po 'di test delle prestazioni con pyahocorasick ed è più veloce di python re quando si cerca più di 1 parola in dict (2 o più).
Qui è il codice:
import re, ahocorasick,random,time
# search N words from dict
N=3
#file from http://norvig.com/big.txt
with open("big.txt","r") as f:
text = f.read()
words = set(re.findall('[a-z]+', text.lower()))
search_words = random.sample([w for w in words],N)
A = ahocorasick.Automaton()
for i,w in enumerate(search_words):
A.add_word(w, (i, w))
A.make_automaton()
#test time for ahocorasic
start = time.time()
print("ah matches",sum(1 for i in A.iter(text)))
print("aho done in ", time.time() - start)
exp = re.compile('|'.join(search_words))
#test time for re
start = time.time()
m = exp.findall(text)
print("re matches",sum(1 for _ in m))
print("re done in ",time.time()-start)
fonte
2015-05-21 10:35:42
Costruire un'espressione regolare. –
La mia preoccupazione è che ci vorrà un sacco di tempo per abbinare. –
Potrebbe volerci molto tempo, ma ciò non significa che sia lento. –