如何使用正则表达式在文件中搜索多字符串并分别统计各出现次数

问题描述 #

需要在文件每一行中查找一个或多个目标字符串，统计每个字符串在整个文件中的总出现次数。部分行仅包含一个目标字符串，部分行可能包含多个。

现有代码仅能统计每行第一个匹配项，无法处理一行多匹配的情况；尝试使用re.findall但因返回数组索引不固定，不知道如何可靠统计每个单词的匹配次数：

count1 = 0
count2 = 0
count3 = 0

pattern = r'(?i)(\bString1\b)|(\bString2\b)|(\bString3\b)'

i = 0
while i != len(lines):
    match = re.search(pattern, lines[i]) 

    if match:
        if match.group(1):
            count1 += 1
        elif match.group(2):
            count2 += 1
        elif match.group(3):
            count3 += 1
    i += 1

解决方案 #

方法1：使用re.finditer遍历所有匹配项 #

re.finditer会返回当前行所有匹配结果的迭代器，逐个遍历即可统计所有匹配次数：

import re

count1 = 0
count2 = 0
count3 = 0
pattern = r'(?i)(\bString1\b)|(\bString2\b)|(\bString3\b)'

for line in lines:
    # 遍历当前行的每一个匹配结果
    for match in re.finditer(pattern, line):
        if match.group(1):
            count1 += 1
        elif match.group(2):
            count2 += 1
        elif match.group(3):
            count3 += 1

print(f"String1出现次数: {count1}")
print(f"String2出现次数: {count2}")
print(f"String3出现次数: {count3}")

方法2：用字典统计（推荐，更灵活） #

如果目标字符串数量较多，用字典可以避免大量if-elif判断，维护更便捷：

import re

# 定义目标字符串及初始计数
target_words = {'String1': 0, 'String2': 0, 'String3': 0}
# 动态构造正则表达式，包含所有目标字符串，忽略大小写+单词边界
pattern = re.compile(r'(?i)\b(' + '|'.join(target_words.keys()) + r')\b')

for line in lines:
    # 获取当前行所有匹配的目标字符串
    matches = pattern.findall(line)
    for match in matches:
        # 统一转小写匹配字典键（因正则忽略大小写）
        target_words[match.lower()] += 1

# 输出统计结果
for word, count in target_words.items():
    print(f"{word}出现次数: {count}")

关键说明 #

• 原代码使用re.search仅返回第一个匹配项，因此会漏统计同行内的其他匹配
• re.finditer适合需要获取匹配对象（如位置、分组信息）的场景，re.findall适合直接获取匹配内容的场景
• 正则中的(?i)表示忽略大小写，\b是单词边界，可避免匹配到包含目标字符串的更长单词（如防止把String1abc误统计为String1）

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