Skip to main content
 首页 » 编程设计

python之如何在给定该字符串的多个子字符串的情况下找到完整的字符串

2024年11月01日28bhlsheji

我有一个故事的子字符串列表。他们都从同一个地方开始,但在不同的地方结束。这是我的示例输入:

[ 
"Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud",  
"Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat. Duis aute irure dolor in reprehenderit in voluptate velit esse cillum dolore eu", 
"Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat. Duis aute irure dolor in reprehenderit in voluptate velit esse cillum dolore eu fugiat nulla pariatur. Excepteur sint occaecat cupidatat non proident, sunt in culpa qui officia deserunt mollit anim id est laborum.",  
"Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat. Duis aute irure dolor in reprehenderit in voluptate velit esse cillum dolore eu fugiat nulla pariatur. Excepteur sint occaecat cupidatat non proident, sunt in culpa qui officia deserunt mollit anim id est laborum. This is some extra text i don't care about" 
] 

就像那样,除了我有大约 40 个。我的目标是使用机器学习并尝试提出一个包含整个故事的字符串,在本例中为:

"Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat. Duis aute irure dolor in reprehenderit in voluptate velit esse cillum dolore eu fugiat nulla pariatur. Excepteur sint occaecat cupidatat non proident, sunt in culpa qui officia deserunt mollit anim id est laborum." 

它不需要精确,我只需要一种以最佳精度提取它的方法。

我试过为每个子串找到最长的子串,并尝试将它们拼凑在一起,但没有成功。我需要某种算法来尝试找出它对故事的猜测。

我不能只使用最后一个字符串,因为一些字符串中也有额外的信息。

在我拥有的 40 个字符串中,有些比所需的故事长,有些则短。较短的从故事的开头开始,到故事的中间结束。较长的从头开始,有完整的故事,然后在最后有其他不需要的额外信息。每一个较长的额外信息都是唯一的(如果它不是唯一的,那么它将被算作故事的一部分)

请您参考如下方法:

应该这样做(为了便于阅读缩短了句子):

stories = [ 
    "Lorem ipsum", 
    "Lorem ipsum dolor sit amet, consectetur adipiscing elit. This is some extra text i don't care about", 
    "Lorem ipsum dolor sit amet, consectetur adipiscing elit. A different gibberish this time.", 
    "Lorem ipsum dolor sit amet, consectetur", 
    "Lorem ipsum dolor sit amet, consectetur adipiscing elit.", # This is the full story 
] 
 
stories.sort(key=lambda s: len(s)) 
 
story = "" 
for i, short_story in enumerate(stories[:-1]): 
    for long_story in stories[i+1:]: 
        if not long_story.startswith(short_story): 
            break 
    else: 
        story = short_story 
 
print(story) 

输出:

Lorem ipsum dolor sit amet, consectetur adipiscing elit.

请注意,此代码假定最后至少有一个带有乱码的故事,否则它不适用于您问题中的样本输入。