我在使用python做一些文字資訊抽取的時候，用到了python的正則表示式匹配。所以這裡對常見的python正則表示式做一個歸納。找乾貨直接看粗體字

本文使用的是python2.7.13版本直譯器。
要點包括：中文的正則匹配，python的編碼格式，re包裡的一些函式

1. 座機電話號碼

網上很多的文字資訊給出的座機電話號碼其實給出的很不規範，主要是中文和英文括號符號混用的問題，這涉及到了正則匹配中文的情況，用正則表示式去尋找文字中的有效的電話號碼有點麻煩。比如以下這一段文字中給出的電話號碼（我想我已經列的很全了）。

該通知於釋出日起生效，請申請人於2017年8月30日前將材料遞交到管理中心。
聯絡電話：（0355）3849512， (0355)39482753， 010 38492045，010-39481253， 0242—24891023，010——39281234，69384023，400-820-8820
聯絡人：陳先生，王小姐

在上面的例子中， 中文括號（）和英文括號()，中文間隔符—和英文間隔符-，甚至區號和電話號碼中間使用了中文破折號，還有的電話號碼沒有給出區號，一些客服電話，這些情況在相當多的文本當中都是存在的。

其中，像沒有區號的電話 69384023，存在意義並不大，所以我不去抽取，當然如果確實需要抽取，那其實也很簡單的，程式碼如下：

>>>import re
>>>tel = re.findall(r'\d{7,8}', text)  # 輸出為結果列表

為了解決混雜字元的電話號碼抽取問題，我們需要知道python2.7的字元編碼，參考python2.7中的字元編碼問題

直譯器按utf-8格式編碼，我在直譯器中存入上面的文字，顯示得到的結果是：

>>>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\x
 
9c\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

字串以str型別存入記憶體，一個漢字使用3個位元組表示，\x38\x25\x28表示一個漢字字元。因此該字串的長度有248。

如果我以unicode格式存入上述文字，也就是在字串前加u，顯示結果為：

>>>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

這裡\u9b23表示一個漢字，字串長度是136，這才是我們想要的字串的長度，(248-136)/2正是上文中漢字的個數。

需要說明，python在處理字串的時候，使用print函式列印字串中的內容，或將抽取到的資訊存入資料庫中，不論使用哪種編碼方式，列印和存入資料庫的結果都是中文沒有問題。

下面列出電話號碼中的幾種符號編碼，也可以在上面的程式碼中找得到。

根據這個可以進行座機電話號碼的正則匹配。這篇文章比較全面的介紹了語法Python正則表示式指南。
下面直接給出現成程式碼：

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

console顯示結果為：

（0355）3849512

由於上述座機號碼的模式非常多，綜合一下，處理如下：
如果採用了utf-8編碼的話，匹配模式為（可以直接copy拿去，找出任何奇葩型別的座機電話號碼）：

>>>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)  # 輸出結果為列表
>>>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

在這裡必須要強調的是：
1、如果採用了unicode編碼的話，正則匹配會失敗，原因在於utf-8編碼模式下，每一個ASCII碼對應一個位元組，而unicode編碼下，每一個ascii碼對應了兩個位元組，re包只能按照ascii碼字元識別pattern中的內容，將這些字元轉換成unicode之後，就識別不了了。
re包可以處理unicode 編碼格式的匹配模式，比如 text=u”…” 這樣，但是必須是先定義好字串，然後再用將 該 text 字串放在函式裡，即可匹配unicode 格式的中文文字。
2、re包裡提供了compile函式和findall函式，另外還有大量的match函式，search函式，split函式，group函式等等。在python直譯器上執行這些函式的時候，呼叫程式碼物件而不是一個字串，效能上會有明顯提升。所以，如果是在做大量文字匹配的時候，要避免使用findall，而是用compile函式先將模式轉換為程式碼物件，這樣能夠提高效能。
3、我在使用python的時候，發現Python2中，如果不定義編碼格式，中文會有兩種處理方式，一種是三個位元組長度表示一個漢字，如上所述，另一種是兩個位元組長度表示一個漢字。這兩種編碼方式在python中都是被認可的。但是，在做中文正則匹配時，需要區別對待。

2. 手機號碼

從大量文字中利用re抽取手機號碼比較簡單（我沒有具體考慮三大運營商開放號碼的細節），正則表示式為：

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

但是如果文本里有一個銀行賬號如下：

請將匯款打入銀行賬號622204158291273940001，中國工商銀行。

那麼用上面的式子去匹配該段文字會找出來15829127394，錯誤的被當成了電話號碼。
然後我決定這麼匹配：

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

這樣就可以剔除銀行賬號，身份證號裡的錯誤手機號，找到正確的電話號碼了。

3.電子郵箱

[email protected]
學校的郵箱[email protected]
企業的郵箱[email protected]

值得參考的是這個部落格裡的程式碼，比較全面，可以拿來主義：
python郵箱匹配的正確姿勢

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

具體用法是：

>>>email = re.findall(email_pattern, text)  # text代表被抽取郵箱資訊的文字
>>>outcome = []
>>>if email:
       for i in xrange(email):
           outcome.append(email[i][0])
>>>print outcome  # 得到文字中所有的郵箱並存入列表

4.身份證號碼

不多說了，比較單一固定，拿來主義：

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.銀行卡號

也是比較固定的位數，格式有好幾種：

中國工商銀行：622202 1702357908932
中國農業銀行：6222 6247 1935 7438 072
中國民生銀行：6223-1024-0589-2038-132
中國工商銀行：6222021702357908932

沒啥難度，當然，銀行卡前幾位的數字也和手機號一樣，很有規律，但是因為銀行卡號位數比較固定，所以就不考慮那麼多情況了。拿來主義一下：

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