Python使用中文正则表达式匹配指定中文字符串的方法示例_Python

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

Python使用中文正则表达式匹配指定中文字符串的方法示例

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

Python使用中文正则表达式匹配指定中文字符串的方法示例

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)