我有一大串字符串,其中包括他们中的空白(例如“纽约”,“美国”,“北卡罗来纳州”,“阿拉伯联合酋长国”,“大不列颠及北爱尔兰联合王国”等等5000这样的字符串).
而且我有一个大文本,其中可能包括这些这些字符串中的任何一个(例如“我去过北卡罗来纳州的路上,最后将去阿拉伯联合酋长国”).
有效地使用正则表达式来检测文本中这些字符串的存在的最佳方式是什么？
或者也许我应该考虑其他方式,以便我从文本中提取二进制,并查看此列表中的哪些字符串与这些字母匹配？
编辑：
在与VoronoiPotato进行了有趣的讨论之后,我开始认为更好地为大型字符串列表的所有项的索引进行索引,并且我用这个功能来完成这个操作：
def indexing_list(li):
index_dict={}
for i in rl(li):
words=li[i].split()
for j in rl(words):
index=complex(i,j)
word=words[j].lower()
try:
index_dict[word].append(index)
except:
index_dict[word]=[index]
return index_dict
并尝试使用此列表：
[u'United Kingdom of Great Britain and Northern Ireland',u'Democratic People\u2019s Republic of Korea',u'Democratic Republic of the Congo',u'Lao People\u2019s Democratic Republic',u'Saint Vincent and the Grenadines',u'United Republic of Tanzania',u'Iran (Islamic Republic of)',u'Central African Republic',u'Islamic Republic of Iran',u'United States of America',u'Bosnia and Herzegovina',u'Libyan Arab Jamahiriya',u'Saint Kitts and Nevis',u'Sao Tome and Principe',u'Syrian Arab Republic',u'United Arab Emirates',u'Antigua and Barbuda',u'Trinidad and Tobago',u'Dominican Republic',u'Russian Federation',u'Brunei Darussalam',u'Equatorial Guinea',u'Republic of Korea',u'Marshall Islands',u'Papua New Guinea',u'Solomon Islands',u'ComodRivadavia',u'Port-au-Prince',u'DumontDUrville',u'Czech Republic',u'United Kingdom',u'Dar es Salaam',u'Cambridge Bay',u'Coral Harbour',u'Port of Spain',u'Santo Domingo',u'St Barthelemy',u'Swift Current',u'Ujung Pandang',u'Yekaterinburg',u'South Georgia',u'C\xf4te d\u2019Ivoire',u"Cote d'Ivoire",u'Guinea-Bissau',u'Liechtenstein',u'United States',u'Johannesburg',u'Buenos Aires',u'Rio Gallegos',u'Blanc-Sablon',u'Campo Grande',u'Danmarkshavn',u'Dawson Creek',u'Indianapolis',u'North Dakota',u'Rankin Inlet',u'Scoresbysund',u'Longyearbyen',u'Kuala Lumpur',u'Antananarivo',u'Port Moresby',u'Burkina Faso',u'Saudi Arabia',u'Sierra Leone',u'South Africa',u'Turkmenistan',u'Addis Ababa',u'Brazzaville',u'Ouagadougou',u'El Salvador',u'Los Angeles',u'Mexico City',u'Pangnirtung',u'Porto Velho',u'Puerto Rico',u'Rainy River',u'Tegucigalpa',u'Thunder Bay',u'Yellowknife',u'Ho Chi Minh',u'Krasnoyarsk',u'Novosibirsk',u'Ulaanbaatar',u'Vladivostok',u'Broken Hill',u'Isle of Man',u'Kaliningrad',u'Guadalcanal',u'Afghanistan',u'Cock Island',u'Netherlands',u'New Zealand',u'Philippines',u'Saint Lucia',u'Switzerland',u'Timor-Leste',u'Casablanca',u'Libreville',u'Lubumbashi',u'Nouakchott',u'Porto-Novo',u'Costa Rica',u'Fort Wayne',u'Grand Turk',u'Guadeloupe',u'Hermosillo',u'Petersburg',u'Louisville',u'Monticello',u'Martinique',u'Montevideo',u'Montserrat',u'Paramaribo',u'Porto Acre',u'Rio Branco',u'St Vincent',u'Whitehorse',u'Antarctica',u'South Pole',u'Choibalsan',u'Phnom Penh',u'Ulan Bator',u'Cape Verde',u'Queensland',u'Yancowinna',u'Bratislava',u'Copenhagen',u'Luxembourg',u'San Marino',u'Simferopol',u'Zaporozhye',u'Kiritimati',u'Yugoslavia',u'Azerbaijan',u'Bangladesh',u'Kazakhstan',u'Kyrgyzstan',u'Madagascar',u'Mauritania',u'Micronesia',u'Montenegro',u'Mozambique',u'Seychelles',u'Tajikistan',u'Uzbekistan',u'Bujumbura',u'Mogadishu',u'Anchorage',u'Araguaina',u'Catamarca',u'Boa Vista',u'Chihuahua',u'Fortaleza',u'Glace Bay',u'Goose Bay',u'Guatemala',u'Guayaquil',u'Tell City',u'Vincennes',u'Menominee',u'Monterrey',u'New Salem',u'Sao Paulo',u'St Thomas',u'Vancouver',u'Ashkhabad',u'Chongqing',u'Chungking',u'Hong Kong',u'Jerusalem',u'Kamchatka',u'Pontianak',u'Pyongyang',u'Qyzylorda',u'Samarkand',u'Singapore',u'Vientiane',u'Jan Mayen',u'Reykjavik',u'St Helena',u'Australia',u'Lord Howe',u'Melbourne',u'Greenwich',u'Amsterdam',u'Bucharest',u'Gibraltar',u'Ljubljana',u'Mariehamn',u'Podgorica',u'Stockholm',u'Volgograd',u'Christmas',u'Kerguelen',u'Mauritius',u'Enderbury',u'Galapagos',u'Kwajalein',u'Marquesas',u'Pago Pago',u'Rarotonga',u'Tongatapu',u'Argentina',u'Indonesia',u'Lithuania',u'Nicaragua',u'Sri Lanka',u'Swaziland',u'Macedonia',u'Venezuela',u'Blantyre',u'Djibouti',u'El Aaiun',u'Freetown',u'Gaborone',u'Khartoum',u'Kinshasa',u'Monrovia',u'Ndjamena',u'Sao Tome',u'Timbuktu',u'Windhoek',u'Anguilla',u'La Rioja',u'San Juan',u'San Luis',u'Asuncion',u'Atikokan',u'Barbados',u'Dominica',u'Edmonton',u'Eirunepe',u'Ensenada',u'Kentucky',u'Mazatlan',u'Miquelon',u'Montreal',u'New York',u'Resolute',u'Santiago',u'Shiprock',u'St Johns',u'St Kitts',u'St Lucia',u'Winnipeg',u'Ashgabat',u'Calcutta',u'Damascus',u'Dushanbe',u'Istanbul',u'Jayapura',u'Katmandu',u'Makassar',u'Sakhalin',u'Shanghai',u'Tashkent',u'Tel Aviv',u'Atlantic',u'Adelaide',u'Brisbane',u'Canberra',u'Lindeman',u'Tasmania',u'Victoria',u'Belgrade',u'Brussels',u'Budapest',u'Chisinau',u'Guernsey',u'Helsinki',u'Sarajevo',u'Tiraspol',u'Uzhgorod',u'Auckland',u'Funafuti',u'Honolulu',u'Johnston',u'Pitcairn',u'Botswana',u'Bulgaria',u'Cambodia',u'Cameroon',u'Colombia',u'Ethiopia',u'Holy See',u'Honduras',u'Kiribati',u'Malaysia',u'Maldives',u'Mongolia',u'Pakistan',u'Paraguay',u'Portugal',u'Slovakia',u'Slovenia',u'Suriname',u'Thailand',u'Tanzania',u'Viet Nam',u'Zimbabwe',u'Abidjan',u'Algiers',u'Conakry',u'Kampala',u'Mbabane',u'Nairobi',u'Tripoli',u'America',u'Antigua',u'Cordoba',u'Mendoza',u'Tucuman',u'Ushuaia',u'Caracas',u'Cayenne',u'Chicago',u'Curacao',u'Detroit',u'Godthab',u'Grenada',u'Halifax',u'Indiana',u'Marengo',u'Winamac',u'Iqaluit',u'Managua',u'Marigot',u'Moncton',u'Nipigon',u'Noronha',u'Phoenix',u'Rosario',u'Tijuana',u'Toronto',u'Tortola',u'Yakutat',u'McMurdo',u'Rothera',u'Baghdad',u'Bahrain',u'Bangkok',u'Bishkek',u'Colombo',u'Irkutsk',u'Jakarta',u'Karachi',u'Kashgar',u'Kolkata',u'Kuching',u'Magadan',u'Nicosia',u'Rangoon',u'Tbilisi',u'Thimphu',u'Yakutsk',u'Yerevan',u'Bermuda',u'Madeira',u'Stanley',u'Andorra',u'Belfast',u'Tallinn',u'Vatican',u'Vilnius',u'Mayotte',u'Reunion',u'Chatham',u'Fakaofo',u'Gambier',u'Norfolk',u'Albania',u'Algeria',u'Armenia',u'Austria',u'Bahamas',u'Belarus',u'Belgium',u'Bolivia',u'Burundi',u'Comoros',u'Croatia',u'Denmark',u'Ecuador',u'Eritrea',u'Estonia',u'Finland',u'Georgia',u'Germany',u'Hungary',u'Iceland',u'Ireland',u'Jamaica',u'Lebanon',u'Lesotho',u'Liberia',u'Morocco',u'Myanmar',u'Namibia',u'Nigeria',u'Moldova',u'Romania',u'Senegal',u'Somalia',u'Tunisia',u'Ukraine',u'Uruguay',u'Vanuatu',u'Asmara',u'Asmera',u'Bamako',u'Bangui',u'Banjul',u'Bissau',u'Douala',u'Harare',u'Kigali',u'Luanda',u'Lusaka',u'Malabo',u'Maputo',u'Maseru',u'Niamey',u'Belize',u'Bogota',u'Cancun',u'Cayman',u'Cuiaba',u'Dawson',u'Denver',u'Havana',u'Inuvik',u'Juneau',u'La Paz',u'Maceio',u'Manaus',u'Merida',u'Nassau',u'Recife',u'Regina',u'Virgin',u'Mawson',u'Palmer',u'Vostok',u'Arctic',u'Almaty',u'Anadyr',u'Aqtobe',u'Beirut',u'Brunei',u'Harbin',u'Kuwait',u'Manila',u'Muscat',u'Riyadh',u'Saigon',u'Taipei',u'Tehran',u'Thimbu',u'Urumqi',u'Azores',u'Canary',u'Faeroe',u'Currie',u'Darwin',u'Hobart',u'Sydney',u'Europe',u'Athens',u'Berlin',u'Dublin',u'Jersey',u'Lisbon',u'London',u'Madrid',u'Geneva',u'Monaco',u'Moscow',u'Prague',u'Samara',u'Skopje',u'Tirane',u'Vienna',u'Warsaw',u'Zagreb',u'Zurich',u'Chagos',u'Comoro',u'Easter',u'Kosrae',u'Majuro',u'Midway',u'Noumea',u'Ponape',u'Saipan',u'Tahiti',u'Tarawa',u'Wallis',u'Andora',u'Angola',u'Bhutan',u'Brazil',u'Canada',u'Cyprus',u'France',u'Gambia',u'Greece',u'Guinea',u'Guyana',u'Israel',u'Jordan',u'Latvia',u'Malawi',u'Mexico',u'Norway',u'Panama',u'Poland',u'Rwanda',u'Serbia',u'Sweden',u'Turkey',u'Tuvalu',u'Uganda',u'Zambia',u'Accra',u'Cairo',u'Ceuta',u'Dakar',u'Lagos',u'Tunis',u'Jujuy',u'Aruba',u'Bahia',u'Belem',u'Boise',u'Vevay',u'Thule',u'Casey',u'Davis',u'Syowa',u'Amman',u'Aqtau',u'Dacca',u'Dhaka',u'Dubai',u'Kabul',u'Macao',u'Macau',u'Qatar',u'Seoul',u'Tokyo',u'Faroe',u'Eucla',u'Perth',u'Malta',u'Minsk',u'Paris',u'Sofia',u'Vaduz',u'Cocos',u'Efate',u'Nauru',u'Palau',u'Samoa',u'Benin',u'Chile',u'China',u'Congo',u'Egypt',u'Gabon',u'Ghana',u'Haiti',u'India',u'Italy',u'Japan',u'Kenya',u'Libya',u'Nepal',u'Niger',u'Spain',u'Sudan',u'Syria',u'Tonga',u'Yemen',u'Lome',u'Adak',u'Atka',u'Nuuk',u'Knox',u'Lima',u'Nome',u'Asia',u'Aden',u'Baku',u'Dili',u'Gaza',u'Hovd',u'Omsk',u'Oral',u'Zulu',u'Kiev',u'Oslo',u'Bonn',u'Riga',u'Rome',u'Mahe',u'Apia',u'Fiji',u'Guam',u'Niue',u'Truk',u'Wake',u'Chad',u'Cuba',u'Iran',u'Iraq',u'Mali',u'Oman',u'Peru',u'Togo',u'GMT',u'Yap']
然后我开始分析我的文字：
text='I went to New York and New Orleans and London and United States,Canada,and Egypt,Saudi Arabia' text_words=text.split()
并试图单独调查每个字：
for i in rl(text_words):
tw=text_words[i].lower()
print i
print tw
print index_dict.get(tw)
方法似乎很快,但我不知道如何进一步
whitespaces_list=['New York','United States','United Arab Emirates']
large_text="I went to New York on my way to North Carolina,and eventually will be going to United Arab Emirates."
for i in whitespaces_list:
if i in large_text:
print i," Exist in Large text"
你在找这样的东西吗？