TLDR
如果您想要最快的解决方案，请使用此方法（使用集合查找）。对于类似于 OP 的数据集，它比接受的答案快大约 2000 倍。
如果您坚持使用正则表达式进行查找，请使用this trie-based version，它仍然比正则表达式联合快 1000 倍。
理论
如果您的句子不是巨大的字符串，每秒处理超过 50 个可能是可行的。
如果你将所有被禁止的单词保存到一个集合中，那么检查该集合中是否包含另一个单词会非常快。
将逻辑打包成一个函数，将此函数作为参数传递给re.sub，就完成了！
代码
import re
with open('/usr/share/dict/american-english') as wordbook:
banned_words = set(word.strip().lower() for word in wordbook)
def delete_banned_words(matchobj):
word = matchobj.group(0)
if word.lower() in banned_words:
return ""
else:
return word
sentences = ["I'm eric. Welcome here!", "Another boring sentence.",
"GiraffeElephantBoat", "sfgsdg sdwerha aswertwe"] * 250000
word_pattern = re.compile('\w+')
for sentence in sentences:
sentence = word_pattern.sub(delete_banned_words, sentence)
转换后的句子是：
' . !
.
GiraffeElephantBoat
sfgsdg sdwerha aswertwe
注意：
- 搜索不区分大小写（感谢
lower()）
- 用
"" 替换单词可能会留下两个空格（如您的代码中所示）
- 对于 python3，
\w+ 还匹配重音字符（例如 "ångström"）。
- 任何非单词字符（制表符、空格、换行符、标记...）都将保持不变。
性能
有一百万个句子，banned_words 有近 100000 个单词，脚本运行时间不到 7 秒。
相比之下，Liteye 的 answer 需要 160s 才能写 10000 句。
n是总字数，m是禁字数，OP和Liteye的代码是O(n*m)。
相比之下，我的代码应该在O(n+m) 中运行。考虑到句子比禁词多很多，算法变成O(n)。
正则表达式联合测试
使用'\b(word1|word2|...|wordN)\b' 模式进行正则表达式搜索的复杂性是什么？是O(N) 还是O(1)？
很难掌握正则表达式引擎的工作方式，所以让我们编写一个简单的测试。
此代码将10**i 随机英文单词提取到一个列表中。它创建相应的正则表达式联合，并用不同的词对其进行测试：
- one 显然不是一个词（它以
# 开头）
- one 是列表中的第一个单词
- 一个是列表中的最后一个单词
- 一个看起来像一个词，但不是
import re
import timeit
import random
with open('/usr/share/dict/american-english') as wordbook:
english_words = [word.strip().lower() for word in wordbook]
random.shuffle(english_words)
print("First 10 words :")
print(english_words[:10])
test_words = [
("Surely not a word", "#surely_NöTäWORD_so_regex_engine_can_return_fast"),
("First word", english_words[0]),
("Last word", english_words[-1]),
("Almost a word", "couldbeaword")
]
def find(word):
def fun():
return union.match(word)
return fun
for exp in range(1, 6):
print("\nUnion of %d words" % 10**exp)
union = re.compile(r"\b(%s)\b" % '|'.join(english_words[:10**exp]))
for description, test_word in test_words:
time = timeit.timeit(find(test_word), number=1000) * 1000
print(" %-17s : %.1fms" % (description, time))
它输出：
First 10 words :
["geritol's", "sunstroke's", 'fib', 'fergus', 'charms', 'canning', 'supervisor', 'fallaciously', "heritage's", 'pastime']
Union of 10 words
Surely not a word : 0.7ms
First word : 0.8ms
Last word : 0.7ms
Almost a word : 0.7ms
Union of 100 words
Surely not a word : 0.7ms
First word : 1.1ms
Last word : 1.2ms
Almost a word : 1.2ms
Union of 1000 words
Surely not a word : 0.7ms
First word : 0.8ms
Last word : 9.6ms
Almost a word : 10.1ms
Union of 10000 words
Surely not a word : 1.4ms
First word : 1.8ms
Last word : 96.3ms
Almost a word : 116.6ms
Union of 100000 words
Surely not a word : 0.7ms
First word : 0.8ms
Last word : 1227.1ms
Almost a word : 1404.1ms
所以看起来搜索带有'\b(word1|word2|...|wordN)\b' 模式的单个单词有：
-
O(1) 最佳案例
-
O(n/2) 平均情况，仍然是 O(n)
-
O(n) 最坏的情况
这些结果与简单的循环搜索一致。
一个比正则表达式联合更快的替代方法是创建regex pattern from a trie。