Python，循环读取文件行；如果与另一个文件行相等，返回原始行

Question

文本文件1的格式如下：

'WORD': 1
'MULTIPLE WORDS': 1
'WORD': 2

等等。

也就是说，每个单词后面跟着一个冒号和一个数字。

文本文件2的格式如下：

'WORD'
'WORD'

等等。

我需要从文件1中提取单个单词（也就是只要单个的WORD，而不是多个单词），如果这个单词在文件2中也有出现，就返回文件1中的单词和它对应的数字。

我有一些效果不太好的代码：

def GetCounts(file1, file2):
    target_contents  = open(file1).readlines()  #file 1 as list--> 'WORD': n
    match_me_contents = open(file2).readlines()   #file 2 as list -> 'WORD'
    ls_stripped = [x.strip('\n') for x in match_me_contents]  #get rid of newlines

    match_me_as_regex= re.compile("|".join(ls_stripped))   

    for line in target_contents:
        first_column = line.split(':')[0]  #get the first item in line.split
        number = line.split(':')[1]   #get the number associated with the word
        if len(first_column.split()) == 1: #get single word, no multiple words 
            """ Does the word from target contents match the word
            from match_me contents?  If so, return the line from  
            target_contents"""
            if re.findall(match_me_as_regex, first_column):  
                print first_column, number

#OUTPUT: WORD, n
         WORD, n
         etc.

因为使用了正则表达式，输出结果不太靠谱。比如，代码会返回'asset, 2'，这是因为re.findall()会把'match_me'中的'set'也匹配上。我需要把目标单词和'match_me'中的整个单词进行匹配，这样才能避免因为部分匹配而导致的错误输出。

Answer 1

我猜你说的“运行不太好”是指速度慢吧？因为我测试过，似乎是可以正常工作的。

你可以通过把文件2中的单词放到一个set（集合）里来提高效率：

word_set = set(ls_stripped)

然后，不用findall，你可以直接检查这个单词是否在集合里：

in_set = just_word in word_set

这样做感觉比用正则表达式要简单干净。

Answer 2

看起来这可能只是grep的一个特殊用法。如果file2基本上是一个模式列表，而输出格式和file1一样，那么你可以这样做：

grep -wf file2 file1

这里的 -w 是告诉grep只匹配完整的单词。

Answer 3

如果 file2 的大小不是特别大，可以把它的内容一次性读入一个集合中：

file2=set(open("file2").read().split())
for line in open("file1"):
    if line.split(":")[0].strip("'") in file2:
        print line