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:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
|
#!/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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
|
#!/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‘ ) 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