Python使用中文正則表達式匹配指定中文字符串的方法示例

本文實例講述了Python使用中文正則表達式匹配指定中文字符串的方法。分享給大家供大家參考，具體如下：
業務場景：
從中文字句中匹配出指定的中文子字符串 .這樣的情況我在工作中遇到非常多, 特梳理總結如下.
難點:
處理GBK和utf8之類的字符編碼, 同時正則匹配Pattern中包含漢字,要漢字正常發揮作用,必須非常謹慎.推薦最好統一為utf8編碼,如果不是這種最優情況,也有酌情處理.
往往一個具有普適性的正則表達式會簡化程序和代碼的處理，使過程簡潔和事半功倍，這往往是高手和菜鳥最顯著的差別。
示例一:
從QQ純真數據庫中解析出省市縣等特定詞語，這里的正則表達式基本能夠滿足業務場景，懶惰匹配?非常必要，因為處理不好，會得不到我們想要的效果。個中妙處，還請各位看官自己琢磨，我這里只點到為止！
代碼如下:    
#!/usr/bin/env python
#encoding: utf-8
#description: 從字符串中提取省市縣等名稱,用于從純真庫中解析解析地理數據
import re
import sys
reload(sys)
sys.setdefaultencoding('utf8')
#匹配規則必須含有u,可以沒有r
#這里第一個分組的問號是懶惰匹配,必須這么做
PATTERN = \
ur'([\u4e00-\u9fa5]{2,5}?(?:省|自治區|市))([\u4e00-\u9fa5]{2,7}?(?:市|區|縣|州)){0,1}([\u4e00-\u9fa5]{2,7}?(?:市|區|縣)){0,1}'
data_list = ['北京市', '陜西省西安市雁塔區', '西班牙', '北京市海淀區', '黑龍江省佳木斯市湯原縣', '內蒙古自治區赤峰市',
'貴州省黔南州貴定縣', '新疆維吾爾自治區伊犁州奎屯市']
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 = '中國'
 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

運行截圖

示例二：
從ip138中獲取指定ip的地理位置等信息。

ip138是我們日常使用較多的ip查詢網站，我為了獲取每個ip對應的isp信息，需要查詢這個頁面

我在網上搜索了很久，沒有找到ip138返回json之類的接口，只能以這種方式查詢，那么我們不可避免地需要解析出上圖中紅框標注的isp信息。如果使用DOM解析指定div標簽之類的常規思路恐怕不太湊效，更簡捷的方式是使用中文正則匹配，直接從返回的html中得到“本站主數據：”那部分的信息。
下面是我摸索的代碼    
#!/usr/bin/env python
#encoding: utf-8
#date: 2016-03-31
#note: 測試中遇到的問題,請求指定的鏈接會有超時現象,可以多請求幾次
import requests, re
import sys
reload(sys)
sys.setdefaultencoding('utf8')
IP138_API = 'http://www.ip138.com/ips138.asp?ip='
PATTERN = ur'<li>本站主數據：(.*?)</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編碼,不能在后面再轉換為utf-8,否則無法正則匹配上.
 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)

下面是截圖