如何解决文本尺寸提取中单双词尺寸的匹配冲突问题？

问题背景 #

现有固定尺寸列表：

sizes = ['extra small', 'small', 'medium', 'large', 'extra large']

需求是从文本中提取所有被提及的尺寸项。现有代码采用先匹配双词尺寸、再匹配单词尺寸的思路，能正确处理text1 = 'she wears a small size and he wears an extra large size'，提取出['extra large', 'small']，但处理text2 = 'she wears a large size and he wears an extra large size'时，仅提取出['extra large']，漏掉了单独提及的large。

问题原因 #

原有代码判断单字词尺寸是否加入结果时，用了x not in [item for sublist in [x.split() for x in mentioned_sizes] for item in sublist]这个条件——只要单字词出现在已提取的多字词拆分结果里，就直接排除。但在text2场景中，large既作为extra large的一部分出现，也单独被提及，这个条件错误地把单独的large排除了。

修改方案 #

核心思路：先提取所有多字词尺寸，再将这些多字词从文本中临时移除，最后在剩余文本中提取单字词尺寸，避免多字词里的单字词干扰单独匹配。

修改后的代码：

import re

sizes = ['extra small', 'small', 'medium', 'large', 'extra large']
text2 = 'she wears a large size and he wears an extra large size'
mentioned_sizes = []

# 按词数从多到少排序，优先匹配完整多字词
sizes_sorted = sorted(sizes, key=lambda x: len(x.split()), reverse=True)

# 第一步：提取所有多字词尺寸
multi_word_sizes = [s for s in sizes_sorted if len(s.split()) > 1]
for size in multi_word_sizes:
    # 用单词边界\b确保匹配完整的多字词，避免部分匹配
    if re.search(r'\b' + re.escape(size) + r'\b', text2):
        mentioned_sizes.append(size)

# 第二步：创建临时文本，移除已匹配的多字词，消除干扰
temp_text = text2
for size in mentioned_sizes:
    temp_text = re.sub(r'\b' + re.escape(size) + r'\b', '', temp_text)

# 第三步：提取剩余文本中的单字词尺寸
single_word_sizes = [s for s in sizes_sorted if len(s.split()) == 1]
for size in single_word_sizes:
    if re.search(r'\b' + re.escape(size) + r'\b', temp_text):
        mentioned_sizes.append(size)

# 去重并保留原有顺序（可选，根据需求调整）
mentioned_sizes = list(dict.fromkeys(mentioned_sizes))
print(mentioned_sizes)  # 输出: ['extra large', 'large']

代码说明 #

1. 排序逻辑：保持按词数从多到少排序，确保先匹配extra large这类多字词，避免先匹配large导致多字词拆分失效。
2. 单词边界匹配：用\b正则语法确保匹配完整的尺寸短语，避免出现“small”匹配“smaller”这类错误。
3. 临时文本处理：移除已匹配的多字词后，剩余文本中仅保留单独提及的单字词实例，避免误判。
4. 去重处理：用dict.fromkeys实现去重并保留原有顺序，防止同一尺寸被重复添加。

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