TLDR
如果您想要最快的解决方案,请使用此方法(使用set lookup)。对于类似于OP的数据集,它比接受的答案快约2000倍。
如果你坚持使用正则表达式进行查找,请使用这个基于trie的版本,它仍然比正则表达式联合快1000倍。
理论
如果你的句子不是巨大的字符串,那么处理每秒超过50的句子可能是可行的。
如果将所有被禁止的单词保存到一个集合中,检查该集合中是否包含另一个单词将非常快。
将逻辑打包成一个函数,将此函数作为参数,re.sub然后完成!
码import rewith open('/usr/share/dict/american-english') as wordbook:
banned_words = set(word.strip().lower() for word in wordbook)def delete_banned_words(matchobj):
word = matchobj.group(0)
if word.lower() in banned_words:
return ""
else:
return word
sentences = ["I'm eric. Welcome here!", "Another boring sentence.",
"GiraffeElephantBoat", "sfgsdg sdwerha aswertwe"] * 250000word_pattern = re.compile('\w+')for sentence in sentences:
sentence = word_pattern.sub(delete_banned_words, sentence)
转换后的句子是:' . !
.
GiraffeElephantBoat
sfgsdg sdwerha aswertwe
注意:搜索不区分大小写(感谢lower())
替换一个单词""可能会留下两个空格(如代码中所示)
使用python3,\w+也匹配重音字符(例如"ångström")。
任何非单词字符(制表符,空格,换行符,标记......)都将保持不变。
性能
有一百万个句子,banned_words有近10万个单词,脚本运行不到7秒。
相比之下,Liteye的答案需要160秒才能完成1万个句子。
随着n是的话总amound和m明令禁止的单词的数量,OP的和Liteye的代码是O(n*m)。
相比之下,我的代码应该运行O(n+m)。考虑到句子比禁止的单词多得多,算法就变成了O(n)。
正则表达式联合测试
使用'\b(word1|word2|...|wordN)\b'模式进行正则表达式搜索的复杂性是多少?难道O(N)还是O(1)?
掌握正则表达式引擎的工作方式非常困难,所以让我们编写一个简单的测试。
此代码将10**i随机英语单词提取到列表中。它创建了相应的正则表达式联合,并使用不同的单词对其进行测试:一个显然不是一个词(它开头#)
一个是列表中的第一个单词
一个是列表中的最后一个单词
一个看起来像一个词但不是
import reimport timeitimport randomwith open('/usr/share/dict/american-english') as wordbook:
english_words = [word.strip().lower() for word in wordbook]
random.shuffle(english_words)print("First 10 words :")print(english_words[:10])test_words = [
("Surely not a word", "#surely_NöTäWORD_so_regex_engine_can_return_fast"),
("First word", english_words[0]),
("Last word", english_words[-1]),
("Almost a word", "couldbeaword")]def find(word):
def fun():
return union.match(word)
return funfor exp in range(1, 6):
print("\nUnion of %d words" % 10**exp)
union = re.compile(r"\b(%s)\b" % '|'.join(english_words[:10**exp]))
for description, test_word in test_words:
time = timeit.timeit(find(test_word), number=1000) * 1000
print(" %-17s : %.1fms" % (description, time))
它输出:First 10 words :["geritol's", "sunstroke's", 'fib', 'fergus', 'charms', 'canning', 'supervisor', 'fallaciously', "heritage's", 'pastime']Union of 10 words Surely not a word : 0.7ms
First word : 0.8ms
Last word : 0.7ms
Almost a word : 0.7msUnion of 100 words Surely not a word : 0.7ms
First word : 1.1ms
Last word : 1.2ms
Almost a word : 1.2msUnion of 1000 words Surely not a word : 0.7ms
First word : 0.8ms
Last word : 9.6ms
Almost a word : 10.1msUnion of 10000 words Surely not a word : 1.4ms
First word : 1.8ms
Last word : 96.3ms
Almost a word : 116.6msUnion of 100000 words Surely not a word : 0.7ms
First word : 0.8ms
Last word : 1227.1ms
Almost a word : 1404.1ms
所以看起来像搜索带有'\b(word1|word2|...|wordN)\b'模式的单个单词有:O(1) 最好的情况
O(n/2) 平均情况,这仍然是 O(n)
O(n) 最糟糕的情况
这些结果与简单的循环搜索一致。
正则表达式联合的一个更快的替代方法是从trie创建正则表达式模式。