如何在Python中使用re.sub为特定字符串添加标签？

Question

我正在尝试给一些查询字符串添加标签，这些标签应该包裹住所有匹配的字符串。比如，我想在句子中把所有符合查询 iphone games mac 的词用 标签包起来。句子 I love downloading iPhone games from my mac. 应该变成 I love downloading <em>iPhone games</em> from my <em>mac</em>.

目前，我尝试了

sentence = "I love downloading iPhone games from my mac."
query = r'((iphone|games|mac)\s*)+'
regex = re.compile(query, re.I)
sentence = regex.sub(r'<em>\1</em> ', sentence)

这个句子的输出是

I love downloading <em>games </em> on my <em>mac</em> !

但是 \1 只替换了一个词（games 而不是 iPhone games），而且在这个词后面还有一些多余的空格。我该怎么写正则表达式才能得到想要的输出呢？谢谢！

编辑： 我刚意识到，Fred 和 Chris 的解决方案在处理包含单词的单词时都有问题。比如，如果我的查询是 game，那么它会变成 <em>game</em>s，而我希望它不被高亮。另一个例子是 either 中的 the 也不应该被高亮。

编辑 2： 我采用了 Chris 的新方案，它有效。

Answer 1

>>> r = re.compile(r'(\s*)((?:\s*\b(?:iphone|games|mac)\b)+)', re.I)
>>> r.sub(r'\1<em>\2</em>', sentence)
'I love downloading <em>iPhone games</em> from my <em>mac</em>.'

这个额外的组完全包含了加号重复的部分，避免了丢失单词。同时，在单词前面移动空格——但最开始去掉前面的空格——也解决了这个问题。单词边界的判断需要完全匹配它们之间的三个单词。不过，自然语言处理（NLP）是个复杂的事情，还是会有一些情况不按预期工作。

Answer 2

首先，要让空格符合你的要求，可以把 \s* 替换成 \s*?，这样就变成了非贪婪模式。

第一个修复：

>>> re.compile(r'(((iphone|games|mac)\s*?)+)', re.I).sub(r'<em>\1</em>', sentence)
'I love downloading <em>iPhone</em> <em>games</em> from my <em>mac</em>.'

不过，一旦 \s* 变成非贪婪模式，它会把短语拆开，正如你所看到的那样。如果不这样，它会把两个短语组合在一起，像这样：

>>> re.compile(r'(((iPhone|games|mac)\s*)+)').sub(r'<em>\1</em>', sentence)
'I love downloading <em>iPhone games </em>from my <em>mac</em>.'

我现在还想不出怎么解决这个问题。

另外，我在这里加了一组额外的括号在 + 周围，这样所有的匹配项都能被捕捉到——这就是区别所在。

进一步更新：其实，我想到了一个解决办法。你可以决定是否想要这样。

>>> regex = re.compile(r'((iphone|games|mac)(\s*(iphone|games|mac))*)', re.I)
>>> regex.sub(r'<em>\1</em>', sentence)
'I love downloading <em>iPhone games</em> from my <em>mac</em>.'

更新：考虑到你提到的单词边界，我们只需要在几个地方加上 \b，也就是单词边界匹配器。

>>> regex = re.compile(r'(\b(iphone|games|mac)\b(\s*(iphone|games|mac)\b)*)', re.I)
>>> regex.sub(r'<em>\1</em>', 'I love downloading iPhone games from my mac')
'I love downloading <em>iPhone games</em> from my <em>mac</em>'
>>> regex.sub(r'<em>\1</em>', 'I love downloading iPhone gameses from my mac')
'I love downloading <em>iPhone</em> gameses from my <em>mac</em>'
>>> regex.sub(r'<em>\1</em>', 'I love downloading iPhoney games from my mac')
'I love downloading iPhoney <em>games</em> from my <em>mac</em>'
>>> regex.sub(r'<em>\1</em>', 'I love downloading iPhoney gameses from my mac')
'I love downloading iPhoney gameses from my <em>mac</em>'
>>> regex.sub(r'<em>\1</em>', 'I love downloading miPhone gameses from my mac')
'I love downloading miPhone gameses from my <em>mac</em>'
>>> regex.sub(r'<em>\1</em>', 'I love downloading miPhone games from my mac')
'I love downloading miPhone <em>games</em> from my <em>mac</em>'
>>> regex.sub(r'<em>\1</em>', 'I love downloading iPhone igames from my mac')
'I love downloading <em>iPhone</em> igames from my <em>mac</em>'