【Regex】初试Python下的中文正则表达式

0x00 前言

真的是第一次在Python上做正则表达式呀……走了好多弯路，表示自己实在是笨的不行，难得实现了个小Demo，做点备忘好了。

简要概括一下就是：英文正则亲和度蛮高的，随意；中文，转成Unicode再说话！

0x01 参考页面

正则表达式 - 教程

正则表达式 - 简介

正则表达式 - 语法

正则表达式 - 元字符

正则表达式 - 运算符优先级

正则表达式 - 匹配规则

正则表达式 - 实例

正则表达式在线测试

在程序里调试太麻烦了，有个在线的工具实时尝试还是相当不错的

30分钟掌握正则表达式

这个真的不错的，基本上入门都靠的它

剧透一下30分钟学不完的 23333

0x02 正则步骤

转成Unicode

个人是通过decode转成unicode编码来保证编码一致性的，感觉笨笨的，如果有什么好方法希望大神们能务必教教我~ ^_^

拍脑袋自己想个正则表达式

在站长工具之类的地方验证正则效果

非获取（关键）

(?:pattern)

匹配 pattern 但不获取匹配结果，也就是说这是一个非获取匹配，不进行存储供以后使用。这在使用 “或” 字符 (

|

) 来组合一个模式的各个部分是很有用。例如，

'industr(?:y|ies)

就是一个比

'industry|industries'

更简略的表达式。

单单从结论上讲，java可以直接跑通的正则表达式，在python里re.compile(xxx)时，可以试着在每个左括号的右边加上非获取符号（

?:

）

输出的时候随意encode成自己需要的编码

0x03 示例代码

#coding=utf8

import sys
import re, os
import string

Pnumberic    = re.compile(u"[\\d,\\.]+(?:\\d|万|亿)元");
Ppercent     = re.compile(u"[\\d,\\.]+%");
Pzero        = re.compile(u"(?:[^\\d])0(?:[^\\d])");
PDatetime    = re.compile(u"(?:(?:[0-9]{4})[-/\\.年])(?:第[一二三四]季度)?[末初前后]?(?:(?:[01]?[0-9])[-/\\.月])?(?:[0-3]?[0-9]{1}[日])?");

def LR(s):
return '{'.decode('utf-8') + s + '}'.decode('utf-8')

if __name__ == "__main__" :

each = u"听说这个公司的净资产为369.38亿元（截至2015年9月30日），然后随便放个12450元呀，2016年7月5日，12.34%和2.5%的百分比什么的试试看。"
print each
print
if Pnumberic.findall(each):
#print Pnumberic.search(each).group()
for pn in Pnumberic.findall(each):
print pn
each = each.replace(pn,LR(pn))
print
if Ppercent.findall(each):
#print Ppercent.search(each).group()
for pp in Ppercent.findall(each):
print pp
each = each.replace(pp,LR(pp))
print
if PDatetime.findall(each):
#print PDatetime.search(each).group()
for dt in PDatetime.findall(each):
print dt
each = each.replace(dt,LR(dt))
print
print each
# f.write(each.encode('utf-8')+'\n')

输出：

听说这个公司的净资产为369.38亿元（截至2015年9月30日），然后随便放个12450元呀，2016年7月5日，12.34%和2.5%的百分比什么的试试看。

369.38亿元
12450元

12.34%
2.5%

2015年9月30日
2016年7月5日

听说这个公司的净资产为{369.38亿元}（截至{2015年9月30日}），然后随便放个{12450元}呀，{2016年7月5日}，{12.34%}和{2.5%}的百分比什么的试试看。