Python中文文本信息抽取中常见的正则表达式

我在使用python做一些文本信息抽取的时候，用到了python的正则表达式匹配。所以这里对常见的python正则表达式做一个归纳。找干货直接看粗体字

本文使用的是python2.7.13版本解释器。
要点包括：中文的正则匹配，python的编码格式，re包里的一些函数

---

1. 座机电话号码

网上很多的文本信息给出的座机电话号码其实给出的很不规范，主要是中文和英文括号符号混用的问题，这涉及到了正则匹配中文的情况，用正则表达式去寻找文本中的有效的电话号码有点麻烦。比如以下这一段文本中给出的电话号码（我想我已经列的很全了）。

该通知于发布日起生效，请申请人于2017年8月30日前将材料递交到管理中心。
联系电话：（0355）3849512， (0355)39482753， 010 38492045，010-39481253， 0242—24891023，010——39281234，69384023，400-820-8820
联系人：陈先生，王小姐

在上面的例子中， 中文括号（）和英文括号()，中文间隔符—和英文间隔符-，甚至区号和电话号码中间使用了中文破折号，还有的电话号码没有给出区号，一些客服电话，这些情况在相当多的文本当中都是存在的。

其中，像没有区号的电话 69384023，存在意义并不大，所以我不去抽取，当然如果确实需要抽取，那其实也很简单的，代码如下：

>>>import re
>>>tel = re.findall(r'\d{7,8}', text)  # 输出为结果列表

为了解决混杂字符的电话号码抽取问题，我们需要知道python2.7的字符编码，参考python2.7中的字符编码问题。该文中的内容不多解释，举一个例子：

解释器按utf-8格式编码，我在解释器中存入上面的文本，显示得到的结果是：

>>>text
Out[3]: '\xe8\xaf\xa5\xe9\x80\x9a\xe7\x9f\xa5\xe4\xba\x8e\xe5\x8f\x91\xe5\xb8\x83\xe6\x97\xa5\xe8\xb5\xb7\xe7\x94\x9f\xe6\x95\x88\xef\xbc\x8c\xe8\xaf\xb7\xe7\x94\xb3\xe8\xaf\xb7\xe4\xba\xba\xe4\xba\x8e2017\xe5\xb9\xb48\xe6\x9c\x8830\xe6\x97\xa5\xe5\x89\x8d\xe5\xb0\x86\xe6\x9d\x90\xe6\x96\x99\xe9\x80\x92\xe4\xba\xa4\xe5\x88\xb0\xe7\xae\xa1\xe7\x90\x86\xe4\xb8\xad\xe5\xbf\x83 \xe8\x81\x94\xe7\xb3\xbb\xe7\x94\xb5\xe8\xaf\x9d\xef\xbc\x9a\xef\xbc\x880355\xef\xbc\x893849512\xef\xbc\x8c (0355)39482753\xef\xbc\x8c 010-39481253\xef\xbc\x8c 0242\xe2\x80\x9424891023\xef\xbc\x8c010\xe2\x80\x94\xe2\x80\x9439281234\xef\xbc\x8c69384023 \xe8\x81\x94400-820-8820\xe7\xb3\xbb\xe4\xba\xba\xef\xbc\x9a\xe9\x99\x88\xe5\x85\x88\xe7\x94\x9f\xef\xbc\x8c\xe7\x8e\x8b\xe5\xb0\x8f\xe5\xa7\x90'

>>>len(text)
Out[13]: 248

字符串以str类型存入内存，一个汉字使用3个字节表示，\x38\x25\x28表示一个汉字字符。因此该字符串的长度有248。

如果我以unicode格式存入上述文本，也就是在字符串前加u，显示结果为：

>>>text
Out[10]: u'\u8be5\u901a\u77e5\u4e8e\u53d1\u5e03\u65e5\u8d77\u751f\u6548\uff0c\u8bf7\u7533\u8bf7\u4eba\u4e8e2017\u5e748\u670830\u65e5\u524d\u5c06\u6750\u6599\u9012\u4ea4\u5230\u7ba1\u7406\u4e2d\u5fc3 \u8054\u7cfb\u7535\u8bdd\uff1a\uff080355\uff093849512\uff0c (0355)39482753\uff0c 010-39481253\uff0c 0242\u201424891023\uff0c010\u2014\u201439281234\uff0c69384023 \u8054\u7cfb\u4eba400-820-8820\uff1a\u9648\u5148\u751f\uff0c\u738b\u5c0f\u59d0'

>>>len(text)
Out[11]: 136

这里\u9b23表示一个汉字，字符串长度是136，这才是我们想要的字符串的长度，(248-136)/2正是上文中汉字的个数。

需要说明，python在处理字符串的时候，使用print函数打印字符串中的内容，或将抽取到的信息存入数据库中，不论使用哪种编码方式，打印和存入数据库的结果都是中文没有问题。

下面列出电话号码中的几种符号编码，也可以在上面的代码中找得到。

符号	utf-8	unicode
中文 （	\xef\xbc\x88	\uff08
中文 ）	\xef\xbc\x89	\uff09
中文 —	\xe2\x80\x94	\u2014

根据这个可以进行座机电话号码的正则匹配。这篇文章比较全面的介绍了语法Python正则表达式指南。
下面直接给出现成代码：

>>>tel = re.findall(r'\xef\xbc\x88?0\d{2,3}\xef\xbc\x89\d{7,8}', text)
>>>print tel

console显示结果为：

（0355）3849512

由于上述座机号码的模式非常多，综合一下，处理如下：
如果采用了utf-8编码的话，匹配模式为（可以直接copy拿去，找出任何奇葩类型的座机电话号码）：

>>>tel = re.findall(r'\xef\xbc\x880\d{2,3}\xef\xbc\x89\d{7,8}|\(?0\d{2,3}[) -]?\d{7,8}|0\d{2,3}\xe2\x80\x94\d{7,8}|0\d{2,3}\xe2\x80\x94\xe2\x80\x94\d{7,8}|\d{3,4}[ -]?\d{3,4}[ -]?\d{4}', text)  # 输出结果为列表
>>>print tel
['\xef\xbc\x880355\xef\xbc\x893849512', '(0355)39482753', '010-39481253', '0242\xe2\x80\x9424891023', '010\xe2\x80\x94\xe2\x80\x9439281234']
>>>for i in xrange(len(tel)):
       print tel[i]
（0355）3849512
(0355)39482753
010-39481253
0242—24891023
010——39281234
400-820-8820

在这里必须要强调的是：
1、如果采用了unicode编码的话，正则匹配会失败，原因在于utf-8编码模式下，每一个ASCII码对应一个字节，而unicode编码下，每一个ascii码对应了两个字节，re包只能按照ascii码字符识别pattern中的内容，将这些字符转换成unicode之后，就识别不了了。
re包可以处理unicode 编码格式的匹配模式，比如 text=u”…” 这样，但是必须是先定义好字符串，然后再用将 该 text 字符串放在函数里，即可匹配unicode 格式的中文文本。
2、re包里提供了compile函数和findall函数，另外还有大量的match函数，search函数，split函数，group函数等等。在python解释器上执行这些函数的时候，调用代码对象而不是一个字符串，性能上会有明显提升。所以，如果是在做大量文本匹配的时候，要避免使用findall，而是用compile函数先将模式转换为代码对象，这样能够提高性能。
3、我在使用python的时候，发现Python2中，如果不定义编码格式，中文会有两种处理方式，一种是三个字节长度表示一个汉字，如上所述，另一种是两个字节长度表示一个汉字。这两种编码方式在python中都是被认可的。但是，在做中文正则匹配时，需要区别对待。

---

2. 手机号码

从大量文本中利用re抽取手机号码比较简单（我没有具体考虑三大运营商开放号码的细节），正则表达式为：

>>>pattern = re.compile(r'1[345789]\d{9}')

但是如果文本里有一个银行账号如下：

请将汇款打入银行账号622204158291273940001，中国工商银行。

那么用上面的式子去匹配该段文本会找出来15829127394，错误的被当成了电话号码。
然后我决定这么匹配：

>>>pattern = re.compile(r'[^\d]1[345789]\d{9}[^\d]')
>>>cell_num = re.findall(pattern, text)  # text即上面的文本
>>>if cell_num:
       for i in xrange(len(cell_num)):
           print cell_num[i][1:len(cell_num[i])-1]

这样就可以剔除银行账号，身份证号里的错误手机号，找到正确的电话号码了。

---

3.电子邮箱

讲真网上很多博客写的那个电子邮箱表达式我看了、试了都觉得写的很是蛋疼，匹配种类少，错误多。有的只匹配163邮箱的，只匹配 .com邮箱，有的人连 \w相当于字母数字下滑杠都不知道就出来写个博客瞎糊弄。
http://blog.csdn.net/catkint/article/details/55260281
http://blog.csdn.net/u012965373/article/details/51395599
http://blog.csdn.net/linwh8/article/details/50614363
http://www.bkjia.com/ASPjc/846889.html
http://www.cjjjs.com/paper/bcyy/2016821144646609.aspx
以上都是不可取的。
邮箱种类很多：

[email protected]
学校的邮箱[email protected]
企业的邮箱[email protected]

值得参考的是这个博客里的代码，比较全面，可以拿来主义：
python邮箱匹配的正确姿势

>>>email_pattern = re.compile(r'([\w-]+(\.[\w-]+)*@[\w-]+(\.[\w-]+)+)')

具体用法是：

>>>email = re.findall(email_pattern, text)  # text代表被抽取邮箱信息的文本
>>>outcome = []
>>>if email:
       for i in xrange(email):
           outcome.append(email[i][0])
>>>print outcome  # 得到文本中所有的邮箱并存入列表

4.身份证号码

不多说了，比较单一固定，拿来主义：

r = r'^([1-9]\d{5}[12]\d{3}(0[1-9]|1[012])(0[1-9]|[12][0-9]|3[01])\d{3}[0-9xX])$'
ID_num = re.findall(r, text)

5.银行卡号

也是比较固定的位数，格式有好几种：

中国工商银行：622202 1702357908932
中国农业银行：6222 6247 1935 7438 072
中国民生银行：6223-1024-0589-2038-132
中国工商银行：6222021702357908932

没啥难度，当然，银行卡前几位的数字也和手机号一样，很有规律，但是因为银行卡号位数比较固定，所以就不考虑那么多情况了。拿来主义一下：

r = r'\d{4}[- ]?\d{4}[- ]?\d{4}[- ]?\d{4}[- ]?\d{3}|\d{6}[ -]\d{13}'
account_num = re.findall(r, text)