如何从字符串中提取指定列表内的短语并去除重复项

需求说明 #

给定短语/单词列表 ["boy", "a guy", "tree", "girl"]（结合示例输出推断，原需求列表可能遗漏"girl"），需从输入字符串中提取所有属于该列表的内容，并去除重复项，输出顺序不限。

实现思路 #

1. 完整短语匹配：由于目标列表包含多词短语（如"a guy"），不能直接按空格拆分输入字符串，需用正则表达式实现完整短语匹配，避免拆分多词短语导致的匹配错误。
2. 高效去重：利用集合的唯一性特性对匹配到的短语去重，因题目允许输出顺序不限，集合去重是简洁高效的方案。

Python代码实现 #

import re

def extract_unique_target_phrases(input_string, target_phrases):
    # 构建正则匹配模式，转义特殊字符并匹配完整短语边界
    phrase_pattern = re.compile(
        r'\b(' + '|'.join(re.escape(phrase) for phrase in target_phrases) + r')\b'
    )
    # 查找所有匹配的短语
    matched_phrases = phrase_pattern.findall(input_string)
    # 去重后返回结果
    return list(set(matched_phrases))

# 定义目标短语列表
target_list = ["boy", "a guy", "tree", "girl"]

# 测试示例
test_inputs = [
    "boy girl a tree a guy and a boy",
    "boy boy boy boy boy",
    "girl boy girl boy a guy",
    "a guy girl very handsome girl tricky question"
]

# 执行测试并输出结果
for input_str in test_inputs:
    result = extract_unique_target_phrases(input_str, target_list)
    print(' '.join(result))

测试结果 #

• 输入：boy girl a tree a guy and a boy → 输出：boy tree a guy girl（顺序不限）
• 输入：boy boy boy boy boy → 输出：boy
• 输入：girl boy girl boy a guy → 输出：girl boy a guy（顺序不限）
• 输入：a guy girl very handsome girl tricky question → 输出：a guy girl（顺序不限）

代码说明 #

• re.escape()：处理目标短语中的特殊字符，避免干扰正则匹配逻辑。
• \b：匹配单词边界，确保只匹配完整的目标短语（例如不会误匹配"boyish"中的"boy"）。
• 若需保留短语首次出现的顺序，可将集合去重替换为list(dict.fromkeys(matched_phrases))。

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