Python：替换字符串为前缀字符串后缀，保持原始大小写，但在查找匹配时忽略大小写

Question

我想做的事情是把一个字符串中的“keyword”替换成 "<b>keyword</b>" 在一个更大的字符串里。

举个例子：

myString = "HI there. You should higher that person for the job. Hi hi."

keyword = "hi"

我想要的结果是：

result = "<b>HI</b> there. You should higher that person for the job. <b>Hi</b> <b>hi</b>."

我不知道用户输入的关键词是什么，也不知道myString的内容，直到查询被执行。

我找到了一种大部分时间都能用的解决方案，但有些情况会出错， 比如它会返回"<b>hi<b/>gher"，这不是我想要的。另外，我还想保留原始文本的大小写，匹配时不考虑大小写。所以如果关键词是“hi”，它应该把 HI替换成<b>HI</b>，hi替换成<b>hi</b>。

我找到的最接近的办法是用这个稍微改动过的版本： http://code.activestate.com/recipes/576715/ 但我还是没弄明白怎么对字符串进行第二次处理，以修正上面提到的所有错误。

或者使用NLTK的WordPunctTokenizer（它简化了一些标点符号的处理），但我不确定如何把句子重新组合起来，因为它没有反向功能，而且我想保留myString的原始标点。简单来说，把所有的标记拼接起来并不能返回原始字符串。例如，如果原始文本是“7 - 7”，我不想在重新组合标记时把它替换成“7-7”。

希望我说得够清楚。这看起来是个简单的问题，但结果比我想的要复杂一些。

Answer 1

我觉得最好的办法是用正则表达式...

import re
def reg(keyword, myString) :
   regx = re.compile(r'\b(' + keyword + r')\b', re.IGNORECASE)
   return regx.sub(r'<b>\1</b>', myString)

当然，你首先得让你的关键词变得“正则表达式安全”（也就是把任何正则表达式中的特殊字符加上引号）。

Answer 2

你可以很简单地用 re.sub 来做到这一点，使用一个叫做单词边界的东西 \b，它只会在单词的边界处匹配：

import re

def SurroundWith(text, keyword, before, after):
  regex = re.compile(r'\b%s\b' % keyword, re.IGNORECASE)
  return regex.sub(r'%s\0%s' % (before, after), text)

这样你就得到了：

>>> SurroundWith('HI there. You should hire that person for the job. '
...              'Hi hi.', 'hi', '<b>', '</b>')
'<b>HI</b> there. You should hire that person for the job. <b>Hi</b> <b>hi</b>.'

如果你对什么算是“单词边界”有更复杂的要求，你就需要做一些类似于：

def SurroundWith2(text, keyword, before, after):
  regex = re.compile(r'([^a-zA-Z0-9])(%s)([^a-zA-Z0-9])' % keyword,
                     re.IGNORECASE)
  return regex.sub(r'\1%s\2%s\3' % (before, after), text)

你可以修改 [^a-zA-Z0-9] 这部分，以匹配你认为的“非单词”。

Answer 3

这样可以吗？

>>> import re
>>> myString = "HI there. You should higher that person for the job. Hi hi."
>>> keyword = "hi"
>>> search = re.compile(r'\b(%s)\b' % keyword, re.I)
>>> search.sub('<b>\\1</b>', myString)
'<b>HI</b> there. You should higher that person for the job. <b>Hi</b> <b>hi</b>.'

这里面最重要的是使用 单词边界、分组 和 re.I 标志。