标签:识别 format pat open extend str string span 正则
类似于这样的,一共50篇文档,
均为中文文档,是法院判决书的合集。
程序如下,我完全使用正则表达式来实现功能,
import re import glob import copy name_list = glob.glob(‘./*.txt‘) date_totul = [] indictee_totul = [] court_totul = [] procuratorate_totul = [] with open(‘./result.txt‘,‘a‘,encoding=‘utf-8‘) as f_r: for name in name_list: f_r.write(‘<{0}>\n\n‘.format(name.split(‘\\‘)[-1])) with open(name,encoding=‘utf-8‘) as f: lines = f.read() # 时间匹配 #xxxx年xx月xx日;同年xx月xx日;xxxx年xx月x旬;xxxx年xx月底;xxxx年xx月;xx月xxx日 # |优先匹配前面的,无符合才匹配后面的 pattern_t = re.compile(
‘[0-9〇一二三四五六七八九]{4}年.{1,2}月.{1,3}日‘ ‘|同年.{1,2}月.{1,3}日‘ ‘|[0-9〇一二三四五六七八九]{4}年.{1,2}月.{1}旬‘ ‘|[0-9〇一二三四五六七八九]{4}年.{1,2}月底‘ ‘|[0-9〇一二三四五六七八九]{4}年.{1,2}月‘ ‘|[0-9〇一二三四五六七八九十]{1,2}月.{1,3}日‘) date_step = [date for date in pattern_t.findall(lines)] # print(date_step) for i in date_step: f_r.write(‘<time>{0}</time>\n\n‘.format(i)) date_totul.extend(date_step) # 被告匹配 pattern_i = re.compile(‘被告人(.{2,4}?)[,,]|被上诉人:(.+?)。|被执行人:(.+?)。‘) pattern_i2 = re.compile(‘被申诉人\(.+\):(.+)。|被申请人\(.+\):(.+)。‘) defendant = list(set([item[0] for item in re.findall(pattern_i,lines) + pattern_i2.findall(lines) if ‘死刑‘ not in item[0]])) if defendant != [] and defendant != [‘‘]: print(defendant) # indictee_totul.append(indictee_step) for item in defendant: f_r.write(‘<defendant>{0}</defendant>\n\n‘.format(item)) # 法院匹配 pattern_c = re.compile(‘[\n。,,《;](.{,15}?人民法院)‘) _court_list = [name.group(1) for name in pattern_c.finditer(lines)] _court_step = [] # print(_court_list) for _court in _court_list: _court_step.append(_court.split(‘。‘)[-1] .split(‘,‘)[-1] .split(‘《‘)[-1] .split(‘、‘)[-1] .split(‘;‘)[-1]) _court_step = list(set(_court_step)) for court_name in _court_step: if ‘由‘ in court_name or ‘向‘ in court_name or ‘受‘ in court_name or ‘和‘ in court_name: # print(name) _court_step.append(court_name.split(‘由‘)[-1]. split(‘向‘)[-1]. split(‘受‘)[-1]. split(‘和‘)[-1]) _court_step.remove(court_name) # print(_court_step) if ‘不服‘ in court_name or ‘后被‘ in court_name or ‘报请‘ in court_name or ‘书证‘ in court_name or ‘核准‘ in court_name or ‘指令‘ in court_name or ‘维持‘ in court_name or ‘撤销‘ in court_name or ‘参照‘ in court_name: _court_step.append(copy.deepcopy(court_name[2::])) _court_step.remove(court_name) _court_step = list(set(_court_step)) if ‘人民法院‘ in _court_step: _court_step.remove(‘人民法院‘) for i in _court_step: f_r.write(‘<court>{0}</court>\n\n‘.format(i)) # print(name,_court_step) # 检察院匹配 pattern_p = re.compile(‘审理(.+)指控‘) procuratorate_step = list(set([name.group(1) for name in pattern_p.finditer(lines)])) procuratorate_totul.extend(procuratorate_step) # print(name,procuratorate_step) for i in procuratorate_step: f_r.write(‘<procuratorate>{0}</procuratorate>\n\n‘.format(i)) # 地点匹配 pattern_pl_1 = re.compile(‘(.{2}省.+?县)‘) pattern_pl_2 = re.compile(‘.{2}省.{2}市‘) pattern_pl_3 = re.compile(‘.{2}省.+?自治州‘) pattern_pl_4 = re.compile(‘.{2}省.+?乡‘) pattern_pl_5 = re.compile(‘.{2}市.{2}区‘) pattern_pl_6 = re.compile(‘.{2}市.{2}镇‘) pattern_pl_7 = re.compile(‘.{2}市.+?开发区‘) place_step = list(set([name.group(0) for name in pattern_pl_1.finditer(lines)])) place_step.extend(list(set([name.group(0) for name in pattern_pl_2.finditer(lines)]))) place_step.extend(list(set([name.group(0) for name in pattern_pl_3.finditer(lines)]))) place_step.extend(list(set([name.group(0) for name in pattern_pl_4.finditer(lines)]))) place_step.extend(list(set([name.group(0) for name in pattern_pl_5.finditer(lines)]))) place_step.extend(list(set([name.group(0) for name in pattern_pl_6.finditer(lines)]))) place_step.extend(list(set([name.group(0) for name in pattern_pl_7.finditer(lines)]))) place_step_n = [] for place_name in place_step: if len(place_name)<=15: # print(name,place_name) place_step_n.append(place_name) if ‘×ב in place_name: if place_name in place_step_n: place_step_n.append(place_name.split(‘×ב)[0]) place_step_n.remove(place_name) if ‘XX‘ in place_name: if place_name in place_step_n: place_step_n.append(place_name.split(‘XX‘)[0]) place_step_n.remove(place_name) # print(name, [(len(item)) for item in place_step_n]) # print(name,place_step,len(place_step)) # print(name,place_step_n,len(place_step_n)) for i in place_step_n: f_r.write(‘<location>{0}</location>\n\n‘.format(i)) f_r.write(‘</{0}>\n\n‘.format(name.split(‘\\‘)[-1]))
截取结果文档中某一文件的结果贴出来,展示如下,
<11273.txt>
<time>1991年7月3日</time>
<time>2008年8月7日</time>
<time>2008年9月16日</time>
<time>2009年3月18日</time>
<time>2011年2月6日</time>
<time>2012年2月2日</time>
<time>2013年3月28日</time>
<time>2013年6月14日</time>
<time>2014年4月14日</time>
<time>2014年10月27日</time>
<time>2013年5月8日</time>
<time>5月10日</time>
<time>二〇一五年二月二十七日</time>
<defendant>杨飞程</defendant>
<court>云南省丽江市中级人民法院</court>
<court>云南省高级人民法院</court>
<court>最高人民法院</court>
<procuratorate>丽江市人民检察院</procuratorate>
<location>云南省丽江市</location>
<location>云南省大理市</location>
<location>丽江市古城区</location>
<location>大理市</location>
</11273.txt>
这次使用了不少这则表达式,虽然不怎么高深,不过还是略有心得,特此总结一下。
这里给出一个比较完备的正则表达式介绍,但是自己的使用还是有一些自己的理解重点,所以这篇文章还要继续233
将正则表达式模式编译成一个正则表达式对象,它可以用于匹配使用它的match ()和search ()等方法。
实际有两种使用方式:
pattern.匹配方法(string) 或者 re.匹配方法(pattern,string)
使用或|来强化匹配规则:
pattern_t = re.compile(
‘[0-9〇一二三四五六七八九]{4}年.{1,2}月.{1,3}日‘ ‘|同年.{1,2}月.{1,3}日‘ ‘|[0-9〇一二三四五六七八九]{4}年.{1,2}月.{1}旬‘ ‘|[0-9〇一二三四五六七八九]{4}年.{1,2}月底‘ ‘|[0-9〇一二三四五六七八九]{4}年.{1,2}月‘ ‘|[0-9〇一二三四五六七八九十]{1,2}月.{1,3}日‘)
返回字符串
返回一个迭代器符合
之所以单提出来,是因为迭代器在匹配组groups的时候真的好用,
pattern_c = re.compile(‘[\n。,,《;](.{,15}?人民法院)‘)
_court_list = [name.group(1) for name in pattern_c.finditer(lines)]
group(1)表示匹配到的符合第一组的部分,2、3……类推,而0表示包含全部匹配的各个组结果的元组。
比如正则表达式:
‘审理(.+)指控‘
我希望不去贪婪匹配,那么应该是
‘审理(.+)指控?‘
而非
‘审理(.+?)指控‘
标签:识别 format pat open extend str string span 正则
原文地址:http://www.cnblogs.com/hellcat/p/7898362.html