字符串模糊匹配

Posted 2023-04-28

参考技术A 有一个主串S = a, b, c, a, c, a, b, d, c, 模式串T = a, b, d ; 请找到模式串在主串中第一次出现的位置

BF算法：爆力匹配算法

RK算法：计算模式串的哈希值，和主串的子串进行哈希比较

哈希算法

cc = 2 * 26^1 + 2 *26 ^0 = 52+2 = 54 ->

第一次 A = 0*26+2;

第二次 A = 2*26+2;

 A = (26 * A + (P[i] -'a'));

哈希匹配上，避免出现意外进行二次判断

获取下一个子串的哈希值

哈希值 = （上一个哈希值 -  26^2 * (S[i + 0]-'a')）+  (S[i + 3]-'a')

St = ((St - hValue*(S[i]-'a'))*d+ (S[i+m]-'a'))

//4.为了杜绝哈希冲突. 当前发现模式串和子串的HashValue 是一样的时候.还是需要二次确认2个字符串是否相等.

//3.算出最d进制下的最高位

//d^(m-1)位的值;

KMP算法：研究模式串的规律

BF算法优化

主串 遍历 i ，每次都是++ 进行优化 ->

主串：    a  b  c  d

模式串：a  b  v

遍历a 直接可以遍历到c,中间可以省略

模式串 遍历j, 每次都是1 进行优化 ->

模式串： a b c a b x

模式串遍历到6即x时 主串和模式串不相等

主串：      a b c a b c a b x

 模式串：           a b c a b x

主串遍历到c时，模式串可以不是从1开始遍历，是从3即c开始遍历

模式串遍历到6即x时, 回溯值 = 前面子串的重叠部分（子串前缀 == 子串的后缀） + 1

abcab 的重叠部分是ab 

Python基础-----re模块（模糊匹配）

#!/usr/bin/env python
#-*- coding:utf-8 -*-

import re

‘‘‘
1 普通字符：大多数字符和字母都会和自身匹配
              >>> re.findall(‘alex‘,‘yuanaleSxalexwupeiqi‘)
                      [‘alex‘] 
              re.findall(匹配规则,匹配字符串)
              查找出所有满足匹配规则的字符串放置于列表中
2 元字符：. ^ $ * + ? { } [ ] | ( ) 
‘‘‘

#======================元字符之. ^ $ * + ? { }================================#

# 1  . 表示通配符，除  
  以外均可匹配，一个  .  表示任意一个字符

ret=re.findall(‘a..in‘,‘helloalvin‘)
print(ret)#[‘alvin‘]

#===========================================================================#

# 2  ^ 表示在字符串的开头匹配
 
ret=re.findall(‘^a...n‘,‘alvinhelloawwwn‘)
print(ret)#[‘alvin‘]
 
#===========================================================================#

# 3  $ 表示在字符串的尾部匹配
 
ret=re.findall(‘a...n$‘,‘alvinhelloawwwn‘)
print(ret)#[‘awwwn‘]
 
#===========================================================================#

# 4  * 表示在贪婪匹配[0,+oo]
 
ret=re.findall(‘abc*‘,‘abcccc‘)#贪婪匹配[0,+oo]  
print(ret)#[‘abcccc‘]
ret=re.findall(‘abc*‘,‘abeerw‘)#贪婪匹配[0,+oo]  
print(ret)#[‘ab‘]

#===========================================================================#

# 5  + 表示在贪婪匹配[1,+oo]

ret=re.findall(‘abc+‘,‘abccc‘)#[1,+oo]
print(ret)#[‘abccc‘]

#===========================================================================#

# 6  ？ 表示在贪婪匹配[0,1]可匹配0个或1个

ret=re.findall(‘abc?‘,‘abccc‘)#[0,1]
print(ret)#[‘abc‘]
ret=re.findall(‘abc?‘,‘abrtf‘)#[0,1]
print(ret)#[‘ab‘] 
 
#===========================================================================#

# 7  {} 表示匹配重复情况；{0，} == * ；{1，} == +

ret=re.findall(‘abc{1,4}‘,‘abccc‘)  #表示匹配1-4个c均可
print(ret)#[‘abccc‘] 贪婪匹配

#===========================================================================#

# 8  前面的*,+,?等都是贪婪匹配，也就是尽可能匹配，后面加?号使其变成惰性匹配，其前面的
# 字符被匹配最少次数

ret=re.findall(‘abc*?‘,‘abcccccc‘)
print(ret)#[‘ab‘]

#====================== 元字符之字符集［］================================#

#在字符集［］中 * + ？ 都失去原有意义，当做普通字符去匹配

ret=re.findall(‘a[bc]d‘,‘acd‘)     #匹配 ‘acd‘ 或 ‘abd‘  
print(ret)#[‘acd‘]
 
ret=re.findall(‘[a-z]‘,‘acd‘)     #匹配字符串中的‘a‘ - ‘z‘之间的所有字母
print(ret)#[‘a‘, ‘c‘, ‘d‘]
 
ret=re.findall(‘[.*+]‘,‘a.cd+‘)
print(ret)#[‘.‘, ‘+‘]
 
#在字符集[]里有功能的符号: - ^ 
 
ret=re.findall(‘[1-9]‘,‘45dha3‘)    #匹配字符串中的1-9之间的所有数字
print(ret)#[‘4‘, ‘5‘, ‘3‘]
 
ret=re.findall(‘[^ab]‘,‘45bdha3‘)  #[^]字符集中^表示非；该例表示匹配只要不是a  b即可
print(ret)#[‘4‘, ‘5‘, ‘d‘, ‘h‘, ‘3‘]

cal = re.findall(‘([^()]*)‘,‘12+(34*6+2-5*(3-1))‘)  #可用于计算器
print(cal) #[‘(3-1)‘]

ret=re.findall(‘[d]‘,‘45bdha3‘)    #d  匹配任何十进制数；它相当于类 [0-9]。
print(ret)#[‘4‘, ‘5‘, ‘3‘]

#====================== 元字符之转义符  ================================#

# 反斜杠后边跟元字符去除特殊功能,比如.(用于将 . 转换为普通字符用于匹配)
# 反斜杠后边跟普通字符实现特殊功能,比如d

# d   匹配任何十进制数；它相当于类 [0-9]。
# D   匹配任何非数字字符；它相当于类 [^0-9]。
# s   匹配任何空白字符；它相当于类 [ 	

fv]。
# S   匹配任何非空白字符；它相当于类 [^ 	

fv]。
# w   匹配任何字母数字字符；它相当于类 [a-zA-Z0-9_]。(_下划线也可匹配出)
# W   匹配任何非字母数字字符；它相当于类 [^a-zA-Z0-9_]
#    匹配一个特殊字符边界，比如空格 ，&，＃等

# 因为在python中本身就有特殊含义，所以需要再次转义 \b或r‘‘
ret=re.findall(‘I‘,‘I am LIST‘)
print(ret)#[]
ret=re.findall(r‘I‘,‘I am LIST‘)
print(ret)#[‘I‘]
#-----------------------------eg1:
import re
# 因为python解释器转义和re转义有别，所以需要传入多个来转义
ret=re.findall(‘cl‘,‘abcle‘)
print(ret)#[]
ret=re.findall(‘c\l‘,‘abcle‘)
print(ret)#[]

ret=re.findall(‘c\\l‘,‘abcle‘)  
print(ret)#[‘c\l‘]
ret=re.findall(r‘c\l‘,‘abcle‘)
print(ret)#[‘c\l‘]
 
#-----------------------------eg2:
#之所以选择是因为在ASCII表中是有意义的
m = re.findall(‘blow‘, ‘blow‘)
print(m)
m = re.findall(r‘blow‘, ‘blow‘)
print(m)

#====================== 元字符之 | ================================#
# 元字符 | 表示或的意思，其前后字符串均可以参与匹配
s = re.findall(‘a|b‘,‘ajkkljlbklka‘)
print(s)   #[‘a‘, ‘b‘, ‘a‘]

#====================== 元字符之分组 () ================================#
# 将()内的内容作为一组（整体）来匹配

m = re.findall(r‘(ad)+‘, ‘adadad‘)    ######！！！！！！！！优先匹配()组内的内容
print(m)   #[‘ad‘]
#若要匹配字符串中所有的内容，则加上 ?:  即可取消上述优先级
m1 = re.findall(r‘(?:ad)+‘, ‘adadad‘)    ######！！！！！！！！ 【？：】可取消优先级
print(m1)   #[‘ad‘,‘ad‘,‘ad‘]
 
ret=re.search(‘(?P<id>d{2})/(?P<name>w{3})‘,‘23/com‘)  
#固定格式?P<id>  id表示分组名称--->‘23‘
#固定格式?P<name> name表示分组名称--->‘com‘
#函数会在字符串内查找模式匹配,只到找到第一个匹配然后返回一个包含匹配信息的对象,该对象可以
#通过调用group()方法得到匹配的字符串,如果字符串没有匹配，则返回None。
print(ret.group())#23/com
print(ret.group(‘id‘))#23  #.group(分组名称)  可以获取分组名称对应的值


#===========================================================================#
#=========================      re模块下的常用方法   ===========================#
#===========================================================================#

import re
#1 查找所有
re.findall(‘a‘,‘alvin yuan‘)    #返回所有满足匹配条件的结果,放在列表里

#2 查找（只到找到第一个匹配）
re.search(‘a‘,‘alvin yuan‘).group()  #函数会在字符串内查找模式匹配,只到找到第一个匹配然后返回一个包含匹配信息的对象,该对象可以
                                     # 通过调用group()方法得到匹配的字符串,如果字符串没有匹配，则返回None。
#3 查找（仅在字符串开始处进行匹配）
re.match(‘a‘,‘abc‘).group()     #同search,不过仅在字符串开始处进行匹配
 
#4 分割
ret=re.split(‘[ab]‘,‘abcd‘)     #先按‘a‘分割‘a‘的左边无内容，则左边得到‘‘和右边‘bcd‘,在对‘‘和‘bcd‘分别按‘b‘分割
print(ret)#[‘‘, ‘‘, ‘cd‘]
 
#5 替换
ret=re.sub(‘d‘,‘abc‘,‘alvin5yuan6‘,1)   
#re.sub(参1,参2,参3,参4) 参1表示匹配规则或字符，参2表示要替换成的字符串，参3表示被匹配的字符串，参4表示指定匹配次数

print(ret)#alvinabcyuan6
ret=re.subn(‘d‘,‘abc‘,‘alvin5yuan6‘)
print(ret)#(‘alvinabcyuanabc‘, 2)  #返回一个元组，分别为替换后字符串，和本次替换的次数
 
#6 编译（自定义规则）可重复使用
obj=re.compile(‘d{3}‘)            #返回一个规则对象
ret=obj.search(‘abc123eeee‘)      #规则对象可以调用.search()  .findall等方法 
print(ret.group())#123

#7 将查找的内容生成迭代器
ret=re.finditer(‘d‘,‘ds3sy4784a‘)
print(ret)        #<callable_iterator object at 0x10195f940>
print(next(ret).group()) # ‘3‘
print(next(ret).group()) # ‘4‘



#===========================================================================#
#=========================    注  意  事  项     ============================#
#===========================================================================#

import re
 
ret=re.findall(‘www.(baidu|oldboy).com‘,‘www.oldboy.com‘)
print(ret)#[‘oldboy‘]     这是因为findall会优先把匹配结果组里内容返回,如果想要匹配结果,取消权限即可
 
ret=re.findall(‘www.(?:baidu|oldboy).com‘,‘www.oldboy.com‘)   #?: 可以去除优先级
print(ret)#[‘www.oldboy.com‘]