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:

#!/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

#!/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)

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。