如何用Python动态获取字符串中多个子串的跨度？

核心思路 #

要动态获取目标指标在原始文本中的字符跨度，需按以下三步处理：

1. 清洗原始文本：去除HTML标签，得到纯文本（标签不计算在字符位置内）
2. 提取目标指标单元：从简化的指标字符串中拆分出独立的「指标-值」组合
3. 模糊匹配定位：忽略大小写差异，在纯文本中找到每个指标单元的起始和结束索引

具体实现（Python示例） #

步骤1：清洗原始文本

用BeautifulSoup剥离HTML标签，保留原始文本的空格与格式：

from bs4 import BeautifulSoup
import re

# 原始富文本
raw_text = '<p><strong>xxxx <code>BP 160/110</code> 12/6/2018 sitting left arm @xyz hospital xxxx <code>HgbA1c 12%</code> on 21/1/2019 xxxx</strong></p>'
# 清洗得到纯文本
soup = BeautifulSoup(raw_text, 'html.parser')
cleaned_raw = soup.get_text(strip=False)

清洗后纯文本为：xxxx BP 160/110 12/6/2018 sitting left arm @xyz hospital xxxx HgbA1c 12% on 21/1/2019 xxxx

步骤2：提取目标指标单元

从简化指标字符串中拆分出需要匹配的单元，用正则适配「指标+值」的组合：

# 简化的指标字符串
target_str = '<p><strong>bp 160/110 hgba1c 12%</strong></p>'
# 清洗目标字符串
target_soup = BeautifulSoup(target_str, 'html.parser')
cleaned_target = target_soup.get_text()
# 提取指标单元
pattern = re.compile(r'(\w+\s+\S+)', re.IGNORECASE)
target_units = pattern.findall(cleaned_target)
# 得到：['bp 160/110', 'hgba1c 12%']

步骤3：定位指标跨度

遍历每个指标单元，在清洗后的原始文本中搜索匹配，记录索引：

spans = []
for unit in target_units:
    # 忽略大小写匹配目标单元
    match = re.search(re.escape(unit), cleaned_raw, re.IGNORECASE)
    if match:
        spans.append((match.start(), match.end()))

print(spans)  # 输出：[(5, 15), (62, 72)]

动态适配说明 #

• 大小写兼容：通过re.IGNORECASE实现大小写不敏感匹配，适配BP/bp、HgbA1c/hgba1c这类变化
• 格式鲁棒性：如果指标有格式变体（如B.P. 160/110、HbA1c:12%），可调整正则为r'(\w+\.?\w*\s*[:]?\s*\S+)'，兼容带点、冒号的情况
• 重复指标处理：若原始文本存在重复指标，可改用re.finditer遍历所有匹配结果，按需选择对应位置

内容的提问来源于stack exchange，提问作者Aditya Kumar Barik