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', '**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。