如何对字符串数组执行re.sub()并保留分割点（格式）

我有一组字符串数组，每个元素对应带格式的段落文本片段（类似HTML <span> 标签）。需要对整段文本执行类似re.sub()的替换操作，但要保留原有分割点（即保留格式），不使用re.sub()的方案也可接受。

无格式场景的实现示例 #

不考虑格式时，直接对完整字符串处理的代码如下：

import re

def repl(match):
    ix = next(i for i, val in enumerate(match.groups()) if val is not None)
    return f'{match.group(0)} ({keyword_annotate_map[ix]["annotation"]})'

before = 'keyword1 asdafljd asdanfnfg keyword2 snbsbsdbns'

keyword_annotate_map = [
    { 'regex': 'keyword1', 'annotation': 'annotation1' },
    { 'regex': 'keyword2', 'annotation': 'annotation2' }
]

# 修正原代码正则错误：用|分隔关键词而非逗号
after = re.sub(rf'({"|".join(re.escape(val["regex"]) for val in keyword_annotate_map)})', repl, before, flags=re.IGNORECASE)
print(after) # 输出: keyword1 (annotation1) asdafljd asdanfnfg keyword2 (annotation2) snbsbsdbns

带格式场景的输入与预期输出 #

当文本被分割为数组时，需要保留分割结构，仅替换对应关键词：

# ''.join(before) 得到无格式原始字符串
before = ['key', 'word1 asdafljd asdanfnfg keyword2 ', 'snbsbsdbns']

# 预期输出
print(after) # ['key', 'word1 (annotation1) asdafljd asdanfnfg keyword2 (annotation2) ', 'snbsbsdbns']

基础方案：逐片段处理（无跨片段关键词） #

核心思路是对数组中的每个文本片段单独执行替换，既完成关键词标注，又保留原分割结构。

import re

def repl(match):
    ix = next(i for i, val in enumerate(match.groups()) if val is not None)
    return f'{match.group(0)} ({keyword_annotate_map[ix]["annotation"]})'

before = ['key', 'word1 asdafljd asdanfnfg keyword2 ', 'snbsbsdbns']

keyword_annotate_map = [
    { 'regex': 'keyword1', 'annotation': 'annotation1' },
    { 'regex': 'keyword2', 'annotation': 'annotation2' }
]

# 构建正则模式：用|分隔转义后的关键词
pattern = re.compile(
    rf'({"|".join(re.escape(val["regex"]) for val in keyword_annotate_map)})',
    flags=re.IGNORECASE
)

# 对每个片段单独执行替换
after = [pattern.sub(repl, segment) for segment in before]

print(after)
# 输出: ['key', 'word1 (annotation1) asdafljd asdanfnfg keyword2 (annotation2) ', 'snbsbsdbns']

进阶方案：处理跨片段关键词 #

如果存在关键词被分割在两个片段中的情况（比如['key', 'word1']），可以先拼接完整文本执行替换，再根据原片段长度重新分割：

import re

def repl(match):
    ix = next(i for i, val in enumerate(match.groups()) if val is not None)
    return f'{match.group(0)} ({keyword_annotate_map[ix]["annotation"]})'

before = ['key', 'word1 asdafljd asdanfnfg keyword2 ', 'snbsbsdbns']
keyword_annotate_map = [
    { 'regex': 'keyword1', 'annotation': 'annotation1' },
    { 'regex': 'keyword2', 'annotation': 'annotation2' }
]

# 记录原片段长度，用于后续分割
segment_lengths = [len(seg) for seg in before]
# 拼接为完整文本
full_text = ''.join(before)

# 执行替换
pattern = re.compile(rf'({"|".join(re.escape(val["regex"]) for val in keyword_annotate_map)})', flags=re.IGNORECASE)
full_annotated_text = pattern.sub(repl, full_text)

# 根据原长度重新分割数组
after = []
current_pos = 0
for length in segment_lengths:
    after.append(full_annotated_text[current_pos:current_pos+length])
    current_pos += length

print(after)
# 输出: ['key', 'word1 (annotation1) asdafljd asdanfnfg keyword2 (annotation2) ', 'snbsbsdbns']

注意：该方案会因替换后文本长度变化导致分割位置偏移，仅在确有跨片段关键词需求时使用。

内容的提问来源于stack exchange，提问作者tearfur