python和正则表达式抽取文本化的信息

很多人的日常工作，都是要和大量的文本打交道的。例如学者需要阅读大量的文献材料，从中找到灵感、数据与论据；学生需要阅读很多教科书和论文，然后写自己的报告或者做幻灯；财经分析师，需要从大量的新闻报道中，找到行业的发展趋势和目标企业动态的蛛丝马迹。

但不是所有的文本处理，都那么新鲜而有趣。有一项重要但繁琐的工作，就是从大量的文本当中抽取结构化的信息。

然而，结构化的信息不一定就在那里，静候你来使用。很多时候，它蕴藏在以往生成的非结构化文本中。

你可能早已习惯，人工阅读文本信息，把关键点摘取出来，然后把它们拷贝粘贴放到一个表格中。从原理上讲，这样做无可厚非。但是实际操作里面，效率太低，而且太麻烦。

大部分人，是不愿意从事这种简单重复的枯燥工作的。一遍遍机械重复鼠标划定文本范围，⌃Ctrl+C、切换到表格文档、找准输入位置，再 ⌃Ctrl+V……这种事儿做得太多，对你的肩肘关节，甚至是身心健康，都有可能造成不利影响。

想不想尝试用一种更简单的自动化方式，替你快速完成这些烦人的操作步骤呢？读过本文后，希望你能找到答案。样例

这里，我们举一个极端简化的中文文本抽取信息例子。之所以这样做，是为了避免你在解读数据上花费太多时间。我更希望，你能够聚焦于方法，从而掌握新知。

假设一个高中班主任，高考后让班长统计一下学生们的毕业去向。班长很认真地进行了调查，然后做了如下汇报：

张华考上了北京大学
李萍进了中等技术学校
韩梅梅进了百货公司
……

为了让你对样例足够熟悉，甚至有共鸣，这里我从 1998 年版的新华字典中，「借鉴」了部分内容。够贴心吧？

现实生活中，一个班大概不会只有 3 个人，因此你可以想象这是一个长长的句子列表。但其实班主任有个隐含的意思没有表达出来，即：

我想要一张表格！

所以，看到这一长串的句子，你可以想象他的表情。班长估计也很难堪：

想要表格你早说啊！

这时候，假设你是班长，怎么办？信息都在文本里面。但如果需要转换成表格，就得一个个信息点去寻找和处理。其实，对于四五十人的班级来说，手动操作也不是什么太难的事情。但是设想一下，如果你需要处理的数据量，是这个例子的十倍、百倍甚至千万倍呢？继续坚持手动处理？这不仅麻烦，而且不现实。

我们需要找到一种简单的方法，帮助我们自动抽取相应的信息。此处我们使用的方法，是正则表达式。

正则

「正则表达式」这个名字，初听起来好像很玄妙。实际上，它是从英文 「regular expression」翻译过来的。如果译成白话，那就是 「有规律的表述形式」。

这，听起来，是不是就更加接地气了？但是，给你补一下 「假行家 101」课程：

说别人听得懂的话，你能唬得住谁？

约定俗成，咱们继续沿用 「正则表达式」，来称呼它好了。从创生之日起，它就给文本处理带来了高效率。但是，用它的主要人群，却不是时常跟文字打交道的作家、编辑、学者、文员，而是……程序员！

程序员写的代码，是文本；程序员处理的数据，很多也是文本格式。其中便有很多显著的规律可循。

正是靠着正则表达式这种独门秘籍，许多别人做起来，需要昏天黑地一整周的任务，程序员可以半小时搞定，然后喝着咖啡等下班。

即便到了泛人工智能的今天，正则表达式依然有许多令你意想不到的应用。例如人机对话系统。你可能看了新闻报道，总以为人机对话都是靠着知识图谱或者深度学习搞出来的。不能说这里面，没有上述炫酷技术的参与。但它们充其量，只占其中一部分，或许还只是一小部分。

生产实践里面，大量的对话规则后面，并不是让你倍感神奇深奥的神经网络，而是一堆正则表达式。你可能会担心，这样高端的应用技术，自己能掌握吗？

答案是：当然！

正则表达式，并不难学。尤其是当你把它和 Python 结合到一起，那简直就是效率神器了。我们这就来看看，正则表达式怎么帮我们识别出样例文本里面 「人名」和 「去向」信息。

试练

请你开启一个浏览器，键入这个 网址。

你会看见如下界面：

它可是一个正则表达式实验的利器。我教 INFO 5731 课程时，学生们就是在掌握了这个工具以后，迅速玩儿转了正则表达式。

这么好的工具，一定要价不菲吧？不，它是免费的。你放心大胆使用就好了。

我们首先把左侧的编程语言，从默认的 PHP ，调整为 Python。之后，把需要进行处理的文本，贴到中间空白的大文本框里面。

下面我们来尝试进行 「匹配」。什么叫做匹配呢？就是你写一个表达式，电脑便拿着鸡毛当令箭，在每一行文本上，都认认真真地找有没有符合该表达式的文本段落。如有，则会高亮显示出来。

这里我们观察一下，发现每个句子里面，人员去向前面，都有一个 「了」字。好，我们就在中部上方小文本框里，把 「了」字输入进去。可以看到，三句话里面的 「了」，全都亮了。

这就是你接触到的第一种匹配方式 —— 按照字符原本的意思来查找一致的内容。因为样例文本的规律性，我们可以把 「了」当成一个定位符，它后面，到句子结束位置，是 「去向」信息。咱们需要找的一半结构化信息，不就是这个 「去向」吗？

我们尝试匹配 「去向」。怎么匹配呢？这次每一行的字儿都不一样啊？没关系，正则表达式强大之处，此时就显示出来了。你可以用一个点号，也就是 .，表示任意字符。字母、数字、标点…… 甚至是中文，也能涵盖在内。

然后我们继续想想看，去向信息这里，会有几个字呢？不好说。例子里面这简单的三句话，就有 「4 个字」或者 「6 个字」两种情况。所以，我们无法指定去向信息里面字符的长度。但这也没关系，我们只需要用一个星号（*），就可以代表出现次数，从 0 到无穷大都可以匹配。当然，实际情况中，是不会真出现无穷大的。

我们在刚才输入的基础上，加上 .*，结果就成了这个样子：

不错嘛！不过似乎去向信息和 「了」字儿都是一样颜色的高亮。那不就混到了一起吗？我们可不想这样。

怎么办？请你在 .* 的两侧，尝试加入一对小括号（注意，不要用中文全角符号）试试看。

你会发现，这次 「了」依然用蓝色表示，而后面的去向信息，已经变成了绿色。这一对小括号，很重要，它叫做 「分组」，是提取信息的基本单位。

我们的任务已经解决了一半了，是吧？下面我们来尝试把人名一并抽取出来。我们来找人名的锚定位置。细细观察，你不难发现，每个人名的后面，都有个动词跟着。升学的同学，用的是 「考」字，而就业的同学，用的是 「进」字。

我们先尝试一下 「考」字。这里我们尝试直接把 「考」字放在 「了」字以前。但是你会发现，什么匹配结果也没有。

为什么？回看数据，你会发现，人家用的原词是 「考上了」。当然这里我们可以输入 「上」字。不过你要考虑一下更为通用的情况。好比说，「考取了」怎么办？「考入了」呢？更好的方式，是继续使用我们刚才学会的 「大招」，在 「考」和 「了」之间，插入一个 .*。

这时候，你的正则表达式的样子是 考.*了(.*)：

看，第一行的信息成功匹配了吧？但是，那后面还有两行没有匹配，怎么办？

我们依样画葫芦，就会发现，使用进.*了(.*) 就能正确匹配后两行：

问题来了：匹配第一行的，匹配不了后两行，反之亦然。这不好。我们希望写的表达式，能够更通用。

怎么办？我们看看正则表达式当中 「或」关系的表示。这里，我们可以把两个字符用竖线隔开，旁边用中括号括起来，代表两者任一出现，都算匹配成功。

也就是，把正则表达式，写成这样：[考|进].*了(.*)：

太棒了，三行的内容都已经匹配成功。这里，动词词组，和代表时态的 「了」作为中间锚定信息，我们可以放心大胆，把之前的人名信息，提取出来了。

也就是这样写：(.*)[考|进].*了(.*)：

注意此时，人名分组是绿色，去向分组是红色的。我们成功提取了两组信息！庆祝一下！

可是，如果你给班主任看这里的结果，估计他不会满意。

表格，我要表格！

别着急，该 Python 出场了。下面我们尝试在 Python 把数据正式提取出来。

代码

首先，读入 Python 正则表达式包：

import re

然后，我们把数据准备好。注意为了演示代码的通用性，我这里在最后加了一行文字，区别于之前的文字规律，看看我们的代码能否正确处理它：

data = """张华考上了北京大学
李萍进了中等技术学校
韩梅梅进了百货公司
他们都有光明的前途"""

然后，该写正则表达式了。你真的需要自己手动来写吗？当然不必。

强大的 regex101 网站，已经帮助我们准备好了：

请你点击上图中红色圈出的按钮，网站会为你准备好一个初始代码的模板，可以匹配你需要的模式：

你不需要完全照搬代码。其中有这样一句，是很重要的，拷贝过来，贴到 Colab Notebook 就好：

regex = r"(.*)[考|进].*了(.*)"

以上就是你的正则表达式，在 Python 里面应有的样子。

我们准备一个空列表，用来接收数据：

mylist = []

接着，写一个循环：

for line in data.split('\n'):
  mysearch = re.search(regex, line)
  if mysearch:
    name = mysearch.group(1)
    dest = mysearch.group(2)
    mylist.append((name, dest))

我给你解释一下这个循环里面，各条语句的含义：

• data.split('\n') 把文本数据按行来拆分开。这样我们就可以针对每一行，来获取数据；
• mysearch = re.search(regex, line) 这一句尝试匹配模式到该行内容；
• if mysearch 这个判断语句，是让程序分辨一下，该行是否有我们要找的模式。例如最后一行文字，里面并没有咱们前面分析的文字模式。遇到这样的行，直接跳过；
• name = mysearch.group(1) 是说匹配的第一组内容，也就是 regex101 网站里绿色代表的人名分组存到 name 变量里。下一句依次类推。注意 group 对应你正则表达式里面小括号出现的顺序，从 1 开始计数；
• mylist.append((name, dest)) 把该行抽取到的信息，存入到咱们之前定义的空列表里面。

注意，如果不加 mysearch = re.search(regex, line) 这一句，程序会对每一行都尝试匹配并且抽取分组内容，那么结果就会报这样的错误：

所以你看，用正则表达式抽取信息时，不能蛮干。

此时，我们查看一下 mylist 这个列表里面的内容：

mylist

结果为：

[('张华', '北京大学'), ('李萍', '中等技术学校'), ('韩梅梅', '百货公司')]

不错，一个不多，一个不少，恰好是我们需要的。

我们要把它导出成为表格。方法有很多，但是最简便顺手的，是用 Pandas 数据分析软件包：

import pandas as pd

只需要利用 pd.DataFrame 函数，我们就能把上面列表和元组（tuple）组成的一个二维结构，变成数据框。

df = pd.DataFrame(mylist)
df.columns = ['姓名', '去向']

注意，这里我们还非常细心地修改了表头。

看看你的劳动成果吧：

df

有了数据框，转换成为 Excel ，就是一行代码的事情了：

df.to_excel("dest.xlsx", index=False)

进入 Files 标签页，刷新并且查看一下当前目录下的内容：

这个 dest.xlsx 就是输出的结果了。下载之后我们可以用 Excel 打开查看。

任务完成！你可以把结果提交给班主任，看他满意的笑容了。

小结

这篇教程里面，咱们谈了如何利用文本字符规律，借助 Python 和正则表达式，来提取结构化信息。

希望你已经掌握了以下本领：

• 了解正则表达式的功用；
• 用 regex101 网站尝试正则表达式匹配，并且生成初步的代码；
• 用 Python 批量提取信息，并且根据需求导出结构化数据为指定格式。

再次强调一下，对于这么简单的样例，使用上述方法，绝对是大炮轰蚊子。然而，如果你需要处理的数据是海量的，这个方法给你节省下来的时间，会非常可观。希望你能够举一反三，在自己的工作中灵活运用它。

(.*)[考|进].*了(.*) 方括号中不需要使用 | ，因为方括号本身的作用就是任选其中的一个字符，[考|进] 会匹配 考、|、进 三个中的任意一个。