乌尔都语字符串子串匹配实现及现有Python代码问题排查求助
问题原因分析
- 匹配逻辑完全倒置:
in操作符的判断逻辑是「左边字符串是否为右边字符串的子串」,原代码将拆分后带多余内容的长片段放在左侧,较短的参考字符串放在右侧,自然全部匹配失败。 - 多余的拆分逻辑易出错:不需要拆分
-前后内容,部分待检测串本身不含-,执行split("-")[1]会直接触发索引越界报错;拆分后得到的片段带省略号、多余后缀等内容,进一步提升匹配难度。 - 未对准匹配规则核心:没有针对规则要求的最低匹配片段
آزاد دائرۃ做判断,逻辑完全偏离需求。
修正后代码实现
以下代码可完全符合你给出的匹配预期:
# 定义参考字符串及匹配规则要求的有效片段 fullstring = "آزاد دائرۃ المعارف، ویکیپیڈیا" match_keywords = ["آزاد دائرۃ", "ویکیپیڈیا"] # 所有待检测子串 test_substrings = [ "افریقی نژاد امریکی شہری حقوق کی تحریک (1955–1968) - آزاد دائرۃ ...", "Urdu English Translator حاصل کریں - Microsoft Store ur-PK", "ببر شیر - آزاد دائرۃ المعارف، ویکیپیڈیا", "اقوام متحدہ - ویکیپیڈیا", "واقعہ کربلا - آزاد دائرۃ المعارف", "Inaugural Address - Urdu | JFK Library", "دنیا میں امریکہ کے مقام کے بارے میں صدر بائیڈن کا خطاب - United ...", "ایران امریکہ کشیدگی: امریکی صدور اور جنگوں کی مبہم قانونی ..." ] # 批量测试匹配结果 for idx, substring in enumerate(test_substrings, 1): match_result = any(keyword in substring for keyword in match_keywords) print(f"substring{idx} 匹配结果:{match_result}")
扩展优化思路
如果后续参考字符串会频繁调整,不想手动维护匹配关键词,可以动态从参考字符串提取指定长度的连续子串作为匹配依据:
min_match_length = 6 # 可根据乌尔都语单词平均长度调整 match_keywords = set() for i in range(len(fullstring) - min_match_length + 1): match_keywords.add(fullstring[i:i+min_match_length])
Python3默认使用Unicode编码,无需额外处理乌尔都语字符的兼容问题,直接使用in做包含判断即可正常生效。
内容的提问来源于stack exchange,提问作者user.1234
相关产品推荐
相关产品推荐

