Python如何使用字典替换字符串中的复合词

问题背景 #

现有一个字典，键为文本中待替换的复合词，值为替换后的目标表达式，示例如下：

terms_dict = {'digi conso': 'digi conso', 'digi': 'digi conso', 'digiconso': 'digi conso', '3xcb': '3xcb', '3x cb': '3xcb', 'legal entity identifier': 'legal entity identifier'}

需要实现replace_terms(text, terms_dict)函数，接收文本和上述格式字典为入参，返回替换完成的文本。

测试用例：

test_text = "i want a digi conso loan for digiconso" 
print(replace_terms(test_text, terms_dict))

预期输出：

i want a digi conso loan for digi conso

最初尝试用.replace()方法实现，因待替换术语包含多词复合词无法正常生效。后续尝试基于正则多轮替换实现，代码如下：

def replace_terms(text, terms_dict):
    if len(terms_dict) > 0:
        words_in = [k for k in terms_dict.keys() if k in text]  # ex: words_in = [digi conso, digi, digiconso]
        if len(words_in) > 0:
            for w in words_in:
                pattern = r"\b" + w + r"\b"
                text = re.sub(pattern, terms_dict[w], text)

    return text

该实现运行测试用例时返回*"i want a digi conso conso loan for digi conso"*，出现conso重复的问题。已知问题成因为：提前遍历字典键生成待匹配列表，替换过程中不会同步更新匹配状态，且短键会匹配长键替换后内容中的片段，触发重复替换。

实现方案 #

核心优化点有两个：

• 按待替换术语的长度倒序排序，优先匹配更长的复合词，避免短词拆分命中长词片段
• 构建统一正则模式做单轮扫描替换，避免多轮替换带来的连锁匹配问题

完整实现代码：

import re

def replace_terms(text, terms_dict):
    if not terms_dict:
        return text
    # 待替换术语按包含单词数从多到少排序，长复合词优先匹配
    sorted_terms = sorted(terms_dict.keys(), key=lambda x: len(x.split()), reverse=True)
    # 构建正则匹配模式，自动转义术语中的正则特殊字符
    match_pattern = re.compile(
        r"\b(" + "|".join(re.escape(term) for term in sorted_terms) + r")\b"
    )
    # 单轮扫描完成所有替换，匹配到的内容直接映射字典取值
    return match_pattern.sub(lambda match_res: terms_dict[match_res.group(0)], text)

方案说明 #

运行测试用例可直接得到预期输出，该实现同时兼容术语包含特殊字符、多词嵌套等场景，单轮正则扫描的执行效率远高于多轮循环替换，适合大文本批量替换场景。

内容的提问来源于stack exchange，提问作者Perrupi