Python中使用中文正则表达式匹配指定的中文字符串

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. #!/usr/bin/env python
2. #encoding: utf-8
3. #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
4. import re
5. import sys
6. reload(sys)
7. sys.setdefaultencoding('utf8')
8. #匹配规则必须含有u,可以没有r
9. #这里第一个分组的问号是懒惰匹配,必须这么做
10. PATTERN = \
11. 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}'
12. 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',
13. '贵州省黔南州贵定县', '新疆维吾尔自治区伊犁州奎屯市']
14. for data in data_list:
15. data_utf8 = data.decode('utf8')
16. print data_utf8
17. country = data
18. province = ''
19. city = ''
20. district = ''
21. #pattern = re.compile(PATTERN3)
22. pattern = re.compile(PATTERN)
23. m = pattern.search(data_utf8)
24. if not m:
25. print country + '|||'
26. continue
27. #print m.group()
28. country = '中国'
29. if m.lastindex >= 1:
30. province = m.group(1)
31. if m.lastindex >= 2:
32. city = m.group(2)
33. if m.lastindex >= 3:
34. district = m.group(3)
35. out = '%s|%s|%s|%s' %(country, province, city, district)
36. 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. #!/usr/bin/env python
2. #encoding: utf-8
3. #date: 2016-03-31
4. #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
5. import requests, re
6. import sys
7. reload(sys)
8. sys.setdefaultencoding('utf8')
9. IP138_API = 'http://www.ip138.com/ips138.asp?ip='
10. PATTERN = ur'<li>本站主数据：(.*?)</li>'
11. def query_api(url):
12. data = ''
13. r = requests.get(url)
14. if r.status_code == 200:
15. data = r.content
16. return data
17. def parse_ip138(html):
18. #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.
19. html = unicode(html, 'gb2312')
20. #html = unicode(html, 'gb2312').encode('utf-8')
21. #print html
22. pattern = re.compile(PATTERN)
23. m = pattern.search(html)
24. if m:
25. print m.group(1)
26. else:
27. print 'regex match failed'
28. if __name__ == '__main__':
29. url = IP138_API + '14.192.60.0'
30. resp = query_api(url)
31. if not resp:
32. print 'no content'
33. parse_ip138(resp)

下面是截图

版权声明：本文为博主原创文章，未经博主允许不得转载。