4

Estoy pasando dos listas por una clase DictionaryMaker(). Esto me va a generar un match entre palabras del ítem de una lista con el ítem de la otra, para así poder declarar cada ítem como clave y valor.

La clase y el método me funciona, pero para hacerlo más preciso he querido usar RegEx y el re.compile para afinar más los match.

  • Aún no entiendo muy bien como va la sintaxis, me he leído muchas cosas y creo que el problema radica que estoy intentando algo como:

    (r'\b({})\b'.format(i))
    
  • Esto me checkea la palabra por sus limites (boundarys), para que solo me detecte 'foo' y no 'football'. Lo que pasa es que en el otro ítem que está comprobando '_foo_' se encuentra entre barras bajas

    Sé que debo aplicar el \w* (CREO), pero no sé cómo.

  • La cosa es que necesito que me haga un match incluso si esta palabra la encuentra entre barras bajas -- > 'foo' match con '_foo_'.

¿Cómo lo podría lograr?

import re

chekingList = [u'Hitch_neck_01_proxy', u'Hitch_head_proxy', u'Hitch_chest_proxy', 
           u'Hitch_spine_04_proxy',u'Hitch_spine_03_proxy', u'Hitch_spine_02_proxy',
           u'Hitch_upperarm_r_proxy', u'Hitch_lowerarm_r_proxy', u'Hitch_upperarm_l_proxy',
           u'Hitch_lowerarm_l_proxy', u'Hitch_hips_proxy', u'Hitch_upperleg_l_proxy',
           u'Hitch_lowerleg_l_proxy', u'Hitch_upperleg_r_proxy', u'Hitch_lowerleg_r_proxy',
           u'Hitch_foot_l_proxy', u'Hitch_toes_l_proxy', u'Hitch_foot_r_proxy', 
           u'Hitch_toes_r_proxy', u'Hitch_hand_l_proxy','nestor_colt_02_nes','maria_perez_04_vie',
           'juan_carlos_lara_curso','referendum_julio_jodido']

checkerList = [u'suck_neck_01_target', u'suck_head_target', u'suck_chest_target', 
           u'suck_spine_04_target',u'suck_spine_03_target', u'suck_spine_02_target',
           u'suck_upperarm_r_target', u'suck_lowerarm_r_target', u'suck_upperarm_l_target',
           u'suck_lowerarm_l_target', u'suck_hips_target', u'suck_upperleg_l_target',
           u'suck_lowerleg_l_target', u'suck_upperleg_r_target', u'suck_lowerleg_r_target',
           u'suck_foot_l_target', u'suck_toes_l_target', u'suck_foot_r_target', 
           u'suck_toes_r_target', u'suck_hand_l_target',]


class DictionaryMaker:

    # __INIT__
    def __init__(self,listA=None,listB=None):
        self.listA = listA
        self.listB = listB

    # Must Pass first the list what you want as KEYS 
    # Then pass the list that you want as VALUES
    # It Has FIXEDVALUE for TOLERANCE

    def Match(self,listA,listB,fixedValue=2):

        dictionary = {}
        for x,y in [(x,y) for x in listA for y in listB]:    
            def BreakWord(x):
                counter = 0
                list2Check = x.split("_")
                for i in list2Check:
                    find = re.compile(r'\b({})\b'.format(i))
                    if find.search(y):
                        print ("it Match")
                        counter += 1
                    else:
                        print ("NOT MATCH")    

                return counter

            counter = BreakWord(x)
            print counter
            if counter >= fixedValue:                
                dictionary[y] = x

        # print the dictionary Created for debugging
        for k,v in dictionary.items():
            print ("{} < -- is key from : ---- >> {}".format(k,v))
        print "            "
        return dictionary

dict = DictionaryMaker()
DicForTestResult = dict.Match(chekingList,checkerList)
0

1 respuesta 1

8

Los '_' son parte de la palabra

\b coincide con los límites de palabras completas. Es decir, en una posición donde a un lado tenga un caracter de palabra y al otro no haya un caracter de palabra.

Los caracteres de palabra (o \w) son [a-zA-Z0-9_]. Como verás, el _ también está incluido, y se considera como que es parte de la misma palabra.

Entonces, para solucionarlo, hay que modificar un poco la expresión para que coincida.


Expresión regular

Algunas opciones para que elijas:

  1. Que coincida con \bfoo\b o _foo_

    r'\bfoo\b|_foo_'
    
    • Esto también coincide con 'aaa_foo_zzz'.
    • Demo: regex101

  2. Lo mismo que recién, pero que _foo_ no esté rodeado de un caracter de palabra.

    r'\bfoo\b|\b_foo_\b'
    
  3. Que coincida con foo si está alrededor de \b o _.

    r'(?:\b|_)foo(?:\b|_)'
    
    • Esto coincidiría también con 'aaa_foo_zzz', o con 'foo_', o con 'aaa_foo.'.
    • Usaría esta expresión viendo tus ejemplos.
    • Demo: regex101

  4. Que coincida con foo o _foo_ completos, como en el segundo caso, pero escrito todo en uno.

    r'\b(_?)foo\1\b'
    


Descripción de las construcciones utilizadas

Para las opciones de arriba, se usó:

  • | - Que funciona como alternancia. Es lo mismo que un OR, y tiene una de las más bajas precedencia en regex. Es decir que algo como ^aaaaa|bbb$ se interpreta como ^aaaaa o bbb$ (nótese que el ^ aplica sólo al primero, y el $ sólo al segundo).

    La expresión r'\bfoo\b|_foo_' podemos pensarla como la unión de 2 expresiones alternativas.

  • (?:...) - Es un grupo. Sirve para eso, agrupar una construcción.

    En el caso de r'(?:\b|_)foo(?:\b|_)' lo estamos utilizando para que el | sólo se aplique a esas 2 opciones (y no a todo el regex).

    Es decir, (?:\b|_) coincide con una posición límite de palabra, o con un _.

  • (..) - También es un grupo, pero es un grupo capturador. Guarda en memoria el texto con el que coincidió. De esa forma, podemos referenciarlo luego en la expresión.

    En el caso de r'\b(_?)foo\1\b' estamos haciendo que opcionalmente coincida con un _ (el ? lo hace opcional). O sea que coincide con _ o con nada.

    Como es el primer (y único) grupo que usamos, al referenciarlo com \1 estamos haciendo que coincida con eso mismo: un _ si había, o nada si no lo tenía.


Código

Demo del código con r'(?:\b|_)foo(?:\b|_)':
http://ideone.com/XdgDgf

Ahora bien, quizás te interese que no distinga mayúsculas y minúsculas. Se establece pasándole re.IGNORECASE (o re.I).

re.compile(r'(?:\b|_){}(?:\b|_)'.format(i), re.IGNORECASE)


Por otro lado, estás comparando cada palabra dentro de cada ítem. Por ejemplo, con 'Hitch_neck_01_proxy' estás construyendo una expresión regular diferente para 'Hitch', otra para 'neck', para '01', y para 'proxy'. Eso lo podrías hacer más eficiente.


Todo en una misma expresión regular

re.compile( r'(?:\b|_)(?:Hitch|neck|01|proxy)(?=\b|_)', re.I)

y llamamos a re.findall().

Al final, en vez de usar (?:\b|_), ahora usamos (?=\b|_), que es una inspección positiva que no va a consumir un caracter. Así, si está seguido por _, el próximo ítem también puede coincidir.

for x,y in [(x,y) for x in listA for y in listB]:
    def BreakWord(x):
        list2Check = x.split("_")

        pattern2Check = '(?:' + '|'.join(list2Check) + ')'
        regex = r'(?:\b|_){}(?=\b|_)'.format(pattern2Check)

        find = re.compile(regex, re.IGNORECASE)
        resultado = find.findall(y)

        if resultado:
            print (r"r'{}'  COINCIDE CON    '{}'".format(regex,y))
        else:
            print (r"r'{}'  NO COINCIDE '{}'".format(regex,y))

        return len(resultado)

Demo: http://ideone.com/koi0nR

2
  • 2
    oye mas claro no canta un gallo ! esto es lo que estaba necesitando una explicación clara, concisa al punto y pythonica ! de verdad que todo merece un 10! si la pagina a donde has enseñado los demos es tuya te mereces una Donación! eternamente agradecido Commented el 28 jun. 2017 a las 23:22
  • 1
    @NestorColmenares jaja, no, no es mía. Es la mejor que conozco para compartir acá. Hay otros recursos listados en la descripción de la etiqueta regex... Me alegro que te haya sido útil la respuesta ;-)
    – Mariano
    Commented el 28 jun. 2017 a las 23:28

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.