python - 正则表达式 - 在文本中搜索相似的国家名称

Question

我想从预定义国家/地区列表中识别出现在文本中的国家/地区。问题是，有些名字非常相似，所以如果文本中有一个国家，它也会识别出另一个国家。例如:

text1 = "The disease has spread to three countries: Guinea, Guinea-Bassau and Equatorial Guinea."

text2 = "Only Guinea-Bassau and Equatorial Guinea contained strains of the virus."

list_of_countries = ['Guinea', 'Guinea-Bassau', 'Equatorial Guinea']

我还没有想出一个代码来返回 text1 的所有三个列表项，但只为 text2 返回“Guinea-Bassau”和“Equatorial Guinea”。

这只是一个具体的例子。我当然可以为非洲的 3 个几内亚国家的具体问题创建一个临时解决方案，但问题将返回到“刚果共和国”和“刚果民主共和国”等。

编辑:我想到解决这个问题的一种方法是删除/丢弃文本中的任何实例，一旦它匹配可能的最长命名国家/地区。

Answer 1

你可以使用

import re

text1 = "The disease has spread to three countries: Guinea, Guinea-Bassau and Equatorial Guinea."
text2 = "Only Guinea-Bassau and Equatorial Guinea contained strains of the virus."
list_of_countries = ['Guinea', 'Guinea-Bassau', 'Equatorial Guinea']

# Sort the list by length in descending order
list_of_countries=sorted(list_of_countries,key=len,reverse=True)
# Build the alternation based regex with \b to match each item as a whole word 
rx=r'\b(?:{})\b'.format("|".join(list_of_countries))
print(re.findall(rx, text1))
# => ['Guinea', 'Guinea-Bassau', 'Equatorial Guinea']
print(re.findall(rx, text2))
# => ['Guinea-Bassau', 'Equatorial Guinea']

参见 Python demo

请注意，按长度降序对 list_of_countries 列表进行排序很重要，因为列表中的项目可能有空格并且可能从字符串中的相同位置开始。

形成的正则表达式是

\b(?:Equatorial Guinea|Guinea-Bassau|Guinea)\b

参见 regex demo

详情

• \b - 单词边界
• (?: - 非捕获组的开始，以便可以将单词边界应用于每个备选方案
  • 赤道几内亚
  • | - 或者
  • 几内亚巴绍
  • | - 或
  • 几内亚
• ) - 组结束
• \b - 单词边界。