python中如何使用正则表达式将所有符合条件的字段全部提取出来
问题如标题,使用正则表达式匹配字段目前无非就三种,分别是:re.match()re.search()re.findall()简单介绍一下,re.match()与re.search()非常类似,主要区别就是前者是从目标字符串的开头匹配,而后者则要没有这个要求。而re.findall()则是可以返回匹配的所有结果。但是有时候re.findall()返回的结果和前面两个并不一样,我们来看下面一个例子:对
问题如标题,使用正则表达式匹配字段目前无非就三种,分别是:
re.match()
re.search()
re.findall()
简单介绍一下,re.match()与re.search()非常类似,主要区别就是前者是从目标字符串的开头匹配,而后者则要没有这个要求。而re.findall()则是可以返回匹配的所有结果。但是有时候re.findall()返回的结果和前面两个并不一样,我们来看下面一个例子:
对于句子:
起病以来,患者无腰背痛、颈痛,无咽痛、口腔溃疡,无光过敏、脱发,无口干、眼干,无肢端发作性青紫,无肢体乏力,无浮肿、泡沫尿,精神、食欲、睡眠欠佳,近1月大便干结,5-6天1次,无腹痛、黑便、便血,小便1-2小时1次,无尿痛、血尿。体重未见明显变化。
我想使用正则去匹配所有包含小便和尿相关的子句,目的就是将“无浮肿、泡沫尿”和“小便1-2小时1次,无尿痛、血尿。”识别出来并且将这些子句返回。
本来我想使用re.findall()去匹配:
import re
lines = [
"起病以来,患者无腰背痛、颈痛,无咽痛、口腔溃疡,无光过敏、脱发,无口干、眼干,无肢端发作性青紫,无肢体乏力,无浮肿、泡沫尿,精神、食欲、睡眠欠佳,近1月大便干结,5-6天1次,无腹痛、黑便、便血,小便1-2小时1次,无尿痛、血尿。体重未见明显变化。",
]
for line in lines:
pattern = "[,;.,;。]+[^,;.,;。]*((小便)|尿)+[^,;.,;。]*[,;.,;。]+"
str = re.findall(pattern,line)
print(str)
结果为:
[('尿', ''), ('小便', '小便')]
这里说明一下我使用的模式的意义,因为我是要匹配子句,所以一个子句的前后必然会有相应的符号,所以pattern前面和后面均添加了“[,;.,;。]+”;“+”表示至少匹配一个。而后面的“[,;.,;。]*”表示匹配0个或多个除标点符号“,;.,;。”的任意字符,这里分别添加了中英文的逗号、分号和句号,“*”表示匹配0个或1个及以上。需要说明的是,这里我之所以使用“[,;.,;。]”,是因为文本中可能包含很多其他的符号,像上例中出现的“-”;所以想要使用汉字、数字、特定符号来匹配的话可能会存在遗漏,而我的目的是只想要得到匹配的子句,所以使用“[^,;.,;。]”会更通用一些。接下来就是“((小便)|尿)”意思是匹配含有“小便”或者含有“尿”的子串。
但是使用re.findall()所得到的结果并不是我想要的,于是我稍微换了一下匹配规则,将“((小便)|尿)+”换成了“[(小便)|尿]+”;为了验证匹配的适用性,我又添加了两个样本。总体如下:
import re
lines = [
"起病以来,患者无腰背痛、颈痛,无咽痛、口腔溃疡,无光过敏、脱发,无口干、眼干,无肢端发作性青紫,无肢体乏力,无浮肿、泡沫尿,精神、食欲、睡眠欠佳,近1月大便干结,5-6天1次,无腹痛、黑便、便血,小便1-2小时1次,无尿痛、血尿。体重未见明显变化。",
"起病以来,睡眠、胃纳正常,小便正常,近4~5年来每天解大便3~4次,多为黄褐色成形软便,偶有解烂便,有排便不尽感,便血、解黑便,无消瘦。",
"身材矮小,体重较同龄人轻。"
]
for line in lines:
pattern = "[,;.,;。]+[^,;.,;。]*[(小便)尿]+[^,;.,;。]*[,;.,;。]+"
str = re.findall(pattern,line)
print(str)
结果为:
[',无浮肿、泡沫尿,', ',近1月大便干结,', ',无腹痛、黑便、便血,', ',无尿痛、血尿。']
[',小便正常,', ',多为黄褐色成形软便,', ',有排便不尽感,']
[]
倒是匹配出了子句,一则是“小便1-2小时1次,无尿痛、血尿”中的“小便1-2小时1次”没有匹配出来,二则是竟然连大便相关的“近1月大便干结”和“无腹痛、黑便、便血”都匹配出来了,看来“[(小便)尿]”的意思并不是匹配含有“小便”或者“尿”的子串;那“[(小便)尿]”的意思是不是匹配含有“小”、“便”、“尿”任意一个的子串呢?但是根据第三个含有“小”但是不含“便”与“尿”的样本可以看出,上述的想法依然不对。
再加上re.findall()没有匹配到的子串在原始文本中的开始和结束位置,所以我想要得到“小便1-2小时1次,无尿痛、血尿。”这种两个子句连在一起的情况也很难得到。
于是我转而使用另一个很常用的re.search()方法。
import re
lines = [
"起病以来,患者无腰背痛、颈痛,无咽痛、口腔溃疡,无光过敏、脱发,无口干、眼干,无肢端发作性青紫,无肢体乏力,无浮肿、泡沫尿,精神、食欲、睡眠欠佳,近1月大便干结,5-6天1次,无腹痛、黑便、便血,小便1-2小时1次,无尿痛、血尿。体重未见明显变化。",
]
for line in lines:
pattern = "[,;.,;。]+[^,;.,;。]*((小便)|尿)+[^,;.,;。]*[,;.,;。]+"
str = re.search(pattern, line)
print(str.group())
结果为:
,无浮肿、泡沫尿,
可见,re.search()只匹配遇到的第一个满足条件的子串。
而如果将pattern中的“((小便)|尿)”修改为“[(小便)|尿]”(或者“[(小便)尿]”,意思是完全一样的,也试过)
得到的结果为:
,无浮肿、泡沫尿,
可见修改前后并没有任何变化,但是如果我将原始文本中的“无浮肿、泡沫尿”中的“尿”删除,则修改前的结果为:
,小便1-2小时1次,
修改后的结果为:
,近1月大便干结,
也就是说对于
pattern = "[,;.,;。]+[^,;.,;。]*[(小便)尿]+[^,;.,;。]*[,;.,;。]+"
无论是re.findall()还是re.search(),都能匹配到大便相关的子串;
而对于:
pattern = "[,;.,;。]+[^,;.,;。]*((小便)|尿)+[^,;.,;。]*[,;.,;。]+"
re.findall()和re.search()匹配的子串就有所区别了,前置匹配的结果是含有元组的列表:[(‘尿’, ‘’), (‘小便’, ‘小便’)];而后者匹配到了我想要的子串:,无浮肿、泡沫尿,
后来问了同事以及进一步了解了正则的运行机制后,发现小括号()除了提取匹配的字符串,还有一个作用是用来捕获分组的,也就是说小括号中的内容匹配后会被存储起来,在调用的时候便会返回相应的值。而使用re.findall()时会将存储分组的值全部返回。
再举个例子会更加明白些,将上述pattern中的“((小便)|尿)”改为“((小便)|(尿))”,如:
pattern = "[,;.,;。]+[^,;.,;。]*((小便)|(尿))+[^,;.,;。]*[,;.,;。]+"
使用re.findall()输出的结果为:
[('尿', '', '尿'), ('小便', '小便', '')]
由上可知,“((小便)|(尿))”使用了三个“()”,于是便产生了三个分组,在最外围的第一个分组用于捕获“小便”或“尿”,原文中“小便”和“尿”都能匹配到,所以第一个位置两者都有;第二个分组是用来捕获“(小便)”的,所以第二个分组只存储“小便”;同理第三个分组用来捕获“(尿)”的,所以结果只存储了“尿”。
而我使用re.search()来输出分组结果:
for line in lines:
pattern = "[,;.,;。]+[^,;.,;。]*((小便)|(尿))+[^,;.,;。]*[,;.,;。]+"
str = re.search(pattern, line)
print(str.group(0))
print(str.group(1))
print(str.group(2))
print(str.group(3))
结果为:
,无浮肿、泡沫尿,
尿
None
尿
group(1)、group(2)、group(3)分别与(‘尿’, ‘’, ‘尿’)中对应的分组结果相同。但是这里的group(0)(或者说group(),两个意思完全一样)却不是“(‘尿’, ‘’, ‘尿’)”;这里作者水平有限,不是很清楚原因,也就是说,当调用group(0)的时候,pattern中的()的意义并不再是捕获分组了,而是回到了原始的提取匹配字符串的意思上来了。
为了解决
pattern = "[,;.,;。]+[^,;.,;。]*[(小便)尿]+[^,;.,;。]*[,;.,;。]+"
会匹配到不想要的含有“大便”字符串的问题,通过使用非捕获分组(?:)便可以达到目的。
pattern = "[,;.,;。]?[^,;.,;。]*(?:小便|尿)[^,;.,;。]*[,;.,;。]"
此时便是匹配“小便”或者“尿”了;结果为:
[',无浮肿、泡沫尿,', ',小便1-2小时1次,', '无尿痛、血尿。']
注意上述结果,由于“,小便1-2小时1次,”和“无尿痛、血尿。”是紧接着的,而逗号已经被分配给了前者,所以后者便没有了逗号,这看起了有点像字符串的切片,被切走了就没了,所以这里在pattern中的第一个“[,;.,;。]”后面将“+”换成了“?”()意思的前面的字符出现0次或1次;当然更进一步可以优化为:
pattern = "[,;.,;。]?[^,;.,;。]*(?:小便|尿).*?[,;.,;。]"
可以看到,将pattern中第二个“[^,;.,;。]”变为“.?”
上述虽然将所有子句全部匹配并输出了,但是相邻的两个子句还是分开输出的,仍旧没有达到我们想要的预期。于是对上述代码进行了改进:
for line in lines:
#pattern = "[,;.,;。]+[^,;.,;。]*[('小便')尿]+[^,;.,;。]*[,;.,;。]+"
pattern = "[,;.,;。]?[^,;.,;。]*?(?:小便|尿).*?[,;.,;。]"
#pattern = "[,;.,;。]?[^,;.,;。]*(?:小便|尿)[^,;.,;。]*[,;.,;。]"
str = re.findall(pattern,line)
ls = [',',';','.',',',';','。']
for idx, text in enumerate(str):
if text[0] not in ls:
str[idx-1] += text
str.remove(text)
print(str)
结果为:
[',无浮肿、泡沫尿,', ',小便1-2小时1次,无尿痛、血尿。']
而如果使用re.search(),也是可以达到预期的,代码如下:
for line in lines:
result = []
num = -1
while line:
#pattern = re.compile(r"[,;.,;。]+[^,;.,;。]*((小便)|尿)+[^,;.,;。]*[,;.,;。]+")
#str = pattern.search(line)
pattern = r"[,;.,;。]+[^,;.,;。]*((小便)|尿)+[^,;.,;。]*[,;.,;。]+"
str = re.search(pattern,line)
if str == None:
break
tmp = str.group()
if str.start() == 0:
result[-1] += tmp[1:]
else:
result.append(tmp[1:])
#print(tmp)
num = str.end() - 1
#print(num)
line = line[num:]
print(result)
结果为:
['无浮肿、泡沫尿,', '小便1-2小时1次,无尿痛、血尿。']
![Logo](https://devpress.csdnimg.cn/79de2bf0b7994defa4242ef90d5513fa.jpg)
开放原子开发者工作坊旨在鼓励更多人参与开源活动,与志同道合的开发者们相互交流开发经验、分享开发心得、获取前沿技术趋势。工作坊有多种形式的开发者活动,如meetup、训练营等,主打技术交流,干货满满,真诚地邀请各位开发者共同参与!
更多推荐
所有评论(0)