为文本特定词语添加引用编号：正则匹配边缘问题求助

需要为文本中的特定词语添加(数字)格式的引用编号，现有Python正则代码仅能得到部分正确结果，遇到带形容词的相同词语或词语带后缀的情况时失效。

• 错误输出：This is a first sample (3) (1) and this is a second sample (3) (2)
• 期望输出：This is a first sample (1) and this is a second sample (2)

尝试的代码：

import re

text = "This is a first sample and this is a second sample."
words_to_number = {"first sample": 1, "second sample": 2, "sample": 3}

for keyword, number in words_to_number.items():
    pattern = r"\b"+keyword+r"\b"
    text = re.sub(pattern, keyword+" ("+str(number)+")", text)

print(text)

1. 字典遍历顺序不合理：原代码按插入顺序处理关键词，短关键词sample最后处理时，会匹配到已替换完成的长短语中的sample单词，导致重复添加编号。
2. 正则匹配无优先级：短关键词的正则规则会匹配长短语的子部分，破坏已完成的替换结果。

核心思路是优先匹配更长的关键词，避免短关键词干扰长短语的匹配。具体实现：

• 对关键词按长度从长到短排序，确保长短语先被处理
• 保留正则边界匹配，保证仅匹配完整的目标词语/短语

修正后的代码：

import re

text = "This is a first sample and this is a second sample."
words_to_number = {"first sample": 1, "second sample": 2, "sample": 3}

# 按关键词长度倒序排序，优先处理长短语
sorted_keywords = sorted(words_to_number.items(), key=lambda x: len(x[0]), reverse=True)

for keyword, number in sorted_keywords:
    # 转义关键词中的特殊正则字符，避免语法冲突
    pattern = re.compile(rf"\b{re.escape(keyword)}\b")
    text = pattern.sub(f"{keyword} ({number})", text)

print(text)

• sorted(..., key=lambda x: len(x[0]), reverse=True)：将关键词按字符长度从长到短排序，确保first sample、second sample这类长短语先被替换，不会被后续的sample匹配干扰。
• re.escape(keyword)：转义关键词中的特殊正则字符（比如.、*等），避免正则语法错误。
• re.compile预编译正则：提升替换效率，尤其适合处理大量文本的场景。

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