使用Python re模块查找句子中重叠关键词的问题求助

当你需要用re模块匹配句子中重叠的关键词（比如同时匹配'love'和'love India'）时，直接按'love|love India'写正则模式会导致短关键词优先匹配，长关键词被忽略，只能得到部分结果。

问题根源 #

正则引擎会按模式中关键词的顺序尝试匹配，短关键词'love'出现在前面时，会先匹配句子中的'love'并消耗对应字符，导致后续无法匹配更长的'love India'。

解决方案 #

核心思路是优先匹配长关键词+使用零宽度断言实现重叠匹配，具体步骤如下：

1. 将关键词按长度从长到短排序，确保长关键词先被正则引擎尝试匹配；
2. 使用正向预查（(?=...)）包装关键词，这种零宽度断言不会消耗字符串字符，允许同一个位置被多个匹配捕获；
3. 用re.escape()处理关键词，避免正则特殊字符干扰匹配。

完整代码示例 #

import re

# 目标关键词列表
keywords = ['love', 'love India', 'pakistan']
# 按关键词长度降序排序，长关键词优先匹配
sorted_keywords = sorted(keywords, key=lambda x: -len(x))
# 生成带正向预查的正则模式，同时处理特殊字符
pattern = '|'.join(f'(?=({re.escape(k)}))' for k in sorted_keywords)

sentence = 'I love India'
# 提取所有非空匹配结果
matches = [match for match in re.findall(pattern, sentence) if match]
# 去重并保留匹配顺序
unique_matches = list(dict.fromkeys(matches))

print(unique_matches)  # 输出: ['love India', 'love']

代码说明 #

• 排序后的关键词顺序为['love India', 'love', 'pakistan']，正则引擎会先尝试匹配最长的'love India'；
• 正向预查(?=...)匹配时不消耗字符，所以匹配完'love India'后，仍能在同一位置匹配到'love'；
• re.escape()确保关键词中的特殊字符（如$、.）被当作普通字符处理，避免正则语法错误；
• 最后通过dict.fromkeys()去重，同时保留匹配的先后顺序。

内容的提问来源于stack exchange，提问作者deepanshu sadhwani