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 reimport sysreload(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, reimport sysreload(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 datadef 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
