Python使用中文正则表达式匹配指定中文字符串的方法示例


            本文实例讲述了Python使用中文正则表达式匹配指定中文字符串的方法。分享给大家供大家参考，具体如下：

业务场景：

从中文字句中匹配出指定的中文子字符串 .这样的情况我在工作中遇到非常多, 特梳理总结如下.

难点:

处理GBK和utf8之类的字符编码, 同时正则匹配Pattern中包含汉字,要汉字正常发挥作用,必须非常谨慎.推荐最好统一为utf8编码,如果不是这种最优情况,也有酌情处理.

往往一个具有普适性的正则表达式会简化程序和代码的处理，使过程简洁和事半功倍，这往往是高手和菜鸟最显著的差别。

示例一:

从QQ纯真数据库中解析出省市县等特定词语，这里的正则表达式基本能够满足业务场景，懒惰匹配?非常必要，因为处理不好，会得不到我们想要的效果。个中妙处，还请各位看官自己琢磨，我这里只点到为止！

代码如下:





#!/usr/bin/env python

#encoding: utf-8

#description: 从字符串中提取省市县等名称,用于从纯真库中解析解析地理数据

import re

import sys

reload(sys)

sys.setdefaultencoding('utf8')

#匹配规则必须含有u,可以没有r

#这里第一个分组的问号是懒惰匹配,必须这么做

PATTERN = \

ur'([\u4e00-\u9fa5]{2,5}?(?:省|自治区|市))([\u4e00-\u9fa5]{2,7}?(?:市|区|县|州)){0,1}([\u4e00-\u9fa5]{2,7}?(?:市|区|县)){0,1}'

data_list = ['北京市', '陕西省西安市雁塔区', '西班牙', '北京市海淀区', '黑龙江省佳木斯市汤原县', '内蒙古自治区赤峰市',

'贵州省黔南州贵定县', '新疆维吾尔自治区伊犁州奎屯市']

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 = '中国'

 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







运行截图



示例二：

从ip138中获取指定ip的地理位置等信息。

ip138是我们日常使用较多的ip查询网站，我为了获取每个ip对应的isp信息，需要查询这个页面



我在网上搜索了很久，没有找到ip138返回json之类的接口，只能以这种方式查询，那么我们不可避免地需要解析出上图中红框标注的isp信息。如果使用DOM解析指定div标签之类的常规思路恐怕不太凑效，更简捷的方式是使用中文正则匹配，直接从返回的html中得到“本站主数据：”那部分的信息。

下面是我摸索的代码





#!/usr/bin/env python

#encoding: utf-8

#date: 2016-03-31

#note: 测试中遇到的问题,请求指定的链接会有超时现象,可以多请求几次

import requests, re

import sys

reload(sys)

sys.setdefaultencoding('utf8')

IP138_API = 'http://www.ip138.com/ips138.asp?ip='

PATTERN = ur'<li>本站主数据：(.*?)</li>'

def query_api(url):

 data = ''

 r = requests.get(url)

 if r.status_code == 200:

  data = r.content

 return data

def parse_ip138(html):

 #只能是unicode编码,不能在后面再转换为utf-8,否则无法正则匹配上.

 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)







下面是截图



PS：这里再为大家提供2款非常方便的正则表达式工具供大家参考使用：

JavaScript正则表达式在线测试工具：

http://tools.zwyuanma.com/regex/javascript

正则表达式在线生成工具：

http://tools.zwyuanma.com/regex/create_reg

更多关于Python相关内容可查看本站专题：《Python正则表达式用法总结》、《Python数据结构与算法教程》、《Python Socket编程技巧总结》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录操作技巧汇总》

希望本文所述对大家Python程序设计有所帮助。