Python使用中文正則表達式匹配指定中文字符串的方法示例

2019-11-25 16:23:36

字體：大中小

來源：轉載

供稿：網友

本文實例講述了Python使用中文正則表達式匹配指定中文字符串的方法。分享給大家供大家參考，具體如下：

業務場景：

從中文字句中匹配出指定的中文子字符串 .這樣的情況我在工作中遇到非常多, 特梳理總結如下.

難點:

處理GBK和utf8之類的字符編碼, 同時正則匹配Pattern中包含漢字,要漢字正常發揮作用,必須非常謹慎.推薦最好統一為utf8編碼,如果不是這種最優情況,也有酌情處理.

往往一個具有普適性的正則表達式會簡化程序和代碼的處理，使過程簡潔和事半功倍，這往往是高手和菜鳥最顯著的差別。

示例一:

從QQ純真數據庫中解析出省市縣等特定詞語，這里的正則表達式基本能夠滿足業務場景，懶惰匹配?非常必要，因為處理不好，會得不到我們想要的效果。個中妙處，還請各位看官自己琢磨，我這里只點到為止！
代碼如下:

#!/usr/bin/env python#encoding: utf-8#description: 從字符串中提取省市縣等名稱,用于從純真庫中解析解析地理數據import reimport sysreload(sys)sys.setdefaultencoding('utf8')#匹配規則必須含有u,可以沒有r#這里第一個分組的問號是懶惰匹配,必須這么做PATTERN = /ur'([/u4e00-/u9fa5]{2,5}?(?:省|自治區|市))([/u4e00-/u9fa5]{2,7}?(?:市|區|縣|州)){0,1}([/u4e00-/u9fa5]{2,7}?(?:市|區|縣)){0,1}'data_list = ['北京市', '陜西省西安市雁塔區', '西班牙', '北京市海淀區', '黑龍江省佳木斯市湯原縣', '內蒙古自治區赤峰市','貴州省黔南州貴定縣', '新疆維吾爾自治區伊犁州奎屯市']for data in data_list: data_utf8 = data.decode('utf8') print data_utf8 country = data province = '' city = '' district = '' #pattern = re.compile(PATTERN3) pattern = re.compile(PATTERN) m = pattern.search(data_utf8) if not m:  print country + '|||'  continue #print m.group() country = '中國' if m.lastindex >= 1:  province = m.group(1) if m.lastindex >= 2:  city = m.group(2) if m.lastindex >= 3:  district = m.group(3) out = '%s|%s|%s|%s' %(country, province, city, district) print out

運行截圖

示例二：

從ip138中獲取指定ip的地理位置等信息。

ip138是我們日常使用較多的ip查詢網站，我為了獲取每個ip對應的isp信息，需要查詢這個頁面

我在網上搜索了很久，沒有找到ip138返回json之類的接口，只能以這種方式查詢，那么我們不可避免地需要解析出上圖中紅框標注的isp信息。如果使用DOM解析指定div標簽之類的常規思路恐怕不太湊效，更簡捷的方式是使用中文正則匹配，直接從返回的html中得到“本站主數據：”那部分的信息。

下面是我摸索的代碼

#!/usr/bin/env python#encoding: utf-8#date: 2016-03-31#note: 測試中遇到的問題,請求指定的鏈接會有超時現象,可以多請求幾次import requests, reimport sysreload(sys)sys.setdefaultencoding('utf8')IP138_API = 'http://www.ip138.com/ips138.asp?ip='PATTERN = ur'<li>本站主數據：(.*?)</li>'def query_api(url): data = '' r = requests.get(url) if r.status_code == 200:  data = r.content return datadef parse_ip138(html): #只能是unicode編碼,不能在后面再轉換為utf-8,否則無法正則匹配上. html = unicode(html, 'gb2312') #html = unicode(html, 'gb2312').encode('utf-8') #print html pattern = re.compile(PATTERN) m = pattern.search(html) if m:  print m.group(1) else:  print 'regex match failed'if __name__ == '__main__': url = IP138_API + '14.192.60.0' resp = query_api(url) if not resp:  print 'no content' parse_ip138(resp)

下面是截圖