python中使用正則表達式將所有符合條件的字段全部提取出來

問題如標題，使用正則表達式匹配字段目前無非就三種，分別是：

re.match()
re.search()
re.findall()

簡單介紹一下，re.match()與re.search()非常類似，主要區別就是前者是從目標字符串的開頭匹配，而后者則要沒有這個要求。而re.findall()則是可以返回匹配的所有結果。但是有時候re.findall()返回的結果和前面兩個并不一樣，我們來看下面一個例子：
對于句子：

起病以來,患者無腰背痛、頸痛,無咽痛、口腔潰瘍,無光過敏、脫發,無口干、眼干,無肢端發作性青紫,無肢體乏力,無浮腫、泡沫尿,精神、食欲、睡眠欠佳,近1月大便干結,5-6天1次,無腹痛、黑便、便血,小便1-2小時1次,無尿痛、血尿。體重未見明顯變化。

我想使用正則去匹配所有包含小便和尿相關的子句，目的就是將“無浮腫、泡沫尿”和“小便1-2小時1次,無尿痛、血尿。”識別出來并且將這些子句返回。
本來我想使用re.findall()去匹配:

import re
lines = [
 "起病以來,患者無腰背痛、頸痛,無咽痛、口腔潰瘍,無光過敏、脫發,無口干、眼干,無肢端發作性青紫,無肢體乏力,無浮腫、泡沫尿,精神、食欲、睡眠欠佳,近1月大便干結,5-6天1次,無腹痛、黑便、便血,小便1-2小時1次,無尿痛、血尿。體重未見明顯變化。",
 ]
for line in lines:
 pattern = "[,;.，；。]+[^,;.，；。]*((小便)|尿)+[^,;.，；。]*[,;.，；。]+"
 str = re.findall(pattern,line)
 print(str)

結果為：

[('尿', ''), ('小便', '小便')]

這里說明一下我使用的模式的意義，因為我是要匹配子句，所以一個子句的前后必然會有相應的符號，所以pattern前面和后面均添加了“[,;.，；。]+”；“+”表示至少匹配一個。而后面的“[,;.，；。]*”表示匹配0個或多個除標點符號“,;.，；。”的任意字符，這里分別添加了中英文的逗號、分號和句號，“*”表示匹配0個或1個及以上。需要說明的是，這里我之所以使用“[,;.，；。]”，是因為文本中可能包含很多其他的符號，像上例中出現的“-”；所以想要使用漢字、數字、特定符號來匹配的話可能會存在遺漏，而我的目的是只想要得到匹配的子句，所以使用“[^,;.，；。]”會更通用一些。接下來就是“((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()所得到的結果并不是我想要的，于是我稍微換了一下匹配規則，將“((小便)|尿)+”換成了“[(小便)|尿]+”；為了驗證匹配的適用性，我又添加了兩個樣本。總體如下：

import re
lines = [
 "起病以來,患者無腰背痛、頸痛,無咽痛、口腔潰瘍,無光過敏、脫發,無口干、眼干,無肢端發作性青紫,無肢體乏力,無浮腫、泡沫尿,精神、食欲、睡眠欠佳,近1月大便干結,5-6天1次,無腹痛、黑便、便血,小便1-2小時1次,無尿痛、血尿。體重未見明顯變化。",
 "起病以來,睡眠、胃納正常,小便正常,近4~5年來每天解大便3~4次,多為黃褐色成形軟便,偶有解爛便,有排便不盡感,便血、解黑便,無消瘦。",
 "身材矮小，體重較同齡人輕。"
]
for line in lines:
 pattern = "[,;.，；。]+[^,;.，；。]*[(小便)尿]+[^,;.，；。]*[,;.，；。]+"
 str = re.findall(pattern,line)
 print(str)

結果為：

[',無浮腫、泡沫尿,', ',近1月大便干結,', ',無腹痛、黑便、便血,', ',無尿痛、血尿。']
[',小便正常,', ',多為黃褐色成形軟便,', ',有排便不盡感,']
[]

倒是匹配出了子句，一則是“小便1-2小時1次,無尿痛、血尿”中的“小便1-2小時1次”沒有匹配出來，二則是竟然連大便相關的“近1月大便干結”和“無腹痛、黑便、便血”都匹配出來了，看來“[(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”任意一個的子串呢？但是根據第三個含有“小”但是不含“便”與“尿”的樣本可以看出，上述的想法依然不對。
再加上re.findall()沒有匹配到的子串在原始文本中的開始和結束位置，所以我想要得到“小便1-2小時1次,無尿痛、血尿。”這種兩個子句連在一起的情況也很難得到。
于是我轉而使用另一個很常用的re.search()方法。

import re
lines = [
 "起病以來,患者無腰背痛、頸痛,無咽痛、口腔潰瘍,無光過敏、脫發,無口干、眼干,無肢端發作性青紫,無肢體乏力,無浮腫、泡沫尿,精神、食欲、睡眠欠佳,近1月大便干結,5-6天1次,無腹痛、黑便、便血,小便1-2小時1次,無尿痛、血尿。體重未見明顯變化。",
]
for line in lines:
 pattern = "[,;.，；。]+[^,;.，；。]*((小便)|尿)+[^,;.，；。]*[,;.，；。]+"
 str = re.search(pattern, line)
 print(str.group())

結果為：

,無浮腫、泡沫尿,

可見，re.search()只匹配遇到的第一個滿足條件的子串。
而如果將pattern中的“((小便)|尿)”修改為“[(小便)|尿]”(或者“[(小便)尿]”，意思是完全一樣的，也試過)
得到的結果為：

,無浮腫、泡沫尿,

可見修改前后并沒有任何變化，但是如果我將原始文本中的“無浮腫、泡沫尿”中的“尿”刪除，則修改前的結果為：

,小便1-2小時1次,

修改后的結果為：

,近1月大便干結,

也就是說對于

pattern = "[,;.，；。]+[^,;.，；。]*[(小便)尿]+[^,;.，；。]*[,;.，；。]+"

無論是re.findall()還是re.search()，都能匹配到大便相關的子串；
而對于：

pattern = "[,;.，；。]+[^,;.，；。]*((小便)|尿)+[^,;.，；。]*[,;.，；。]+"

re.findall()和re.search()匹配的子串就有所區別了，前置匹配的結果是含有元組的列表：[(‘尿', ‘'), (‘小便', ‘小便')]；而后者匹配到了我想要的子串：,無浮腫、泡沫尿,
后來問了同事以及進一步了解了正則的運行機制后，發現小括號()除了提取匹配的字符串，還有一個作用是用來捕獲分組的，也就是說小括號中的內容匹配后會被存儲起來，在調用的時候便會返回相應的值。而使用re.findall()時會將存儲分組的值全部返回。
再舉個例子會更加明白些，將上述pattern中的“((小便)|尿)”改為“((小便)|(尿))”，如：

pattern = "[,;.，；。]+[^,;.，；。]*((小便)|(尿))+[^,;.，；。]*[,;.，；。]+"

使用re.findall()輸出的結果為：

[('尿', '', '尿'), ('小便', '小便', '')]

由上可知，“((小便)|(尿))”使用了三個“()”,于是便產生了三個分組，在最外圍的第一個分組用于捕獲“小便”或“尿”，原文中“小便”和“尿”都能匹配到，所以第一個位置兩者都有；第二個分組是用來捕獲“(小便)”的，所以第二個分組只存儲“小便”；同理第三個分組用來捕獲“(尿)”的，所以結果只存儲了“尿”。
而我使用re.search()來輸出分組結果：

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))

結果為：

,無浮腫、泡沫尿,
尿
None
尿

group(1)、group(2)、group(3)分別與(‘尿', ‘', ‘尿')中對應的分組結果相同。但是這里的group(0)(或者說group(),兩個意思完全一樣)卻不是“(‘尿', ‘', ‘尿')”；這里作者水平有限，不是很清楚原因，也就是說，當調用group(0)的時候，pattern中的()的意義并不再是捕獲分組了，而是回到了原始的提取匹配字符串的意思上來了。
為了解決

pattern = "[,;.，；。]+[^,;.，；。]*[(小便)尿]+[^,;.，；。]*[,;.，；。]+"

會匹配到不想要的含有“大便”字符串的問題，通過使用非捕獲分組(?:)便可以達到目的。

pattern = "[,;.，；。]?[^,;.，；。]*(?:小便|尿)[^,;.，；。]*[,;.，；。]"

此時便是匹配“小便”或者“尿”了；結果為：

[',無浮腫、泡沫尿,', ',小便1-2小時1次,', '無尿痛、血尿。']

注意上述結果，由于“,小便1-2小時1次,”和“無尿痛、血尿。”是緊接著的，而逗號已經被分配給了前者，所以后者便沒有了逗號，這看起了有點像字符串的切片，被切走了就沒了，所以這里在pattern中的第一個“[,;.，；。]”后面將“+”換成了“?”()意思的前面的字符出現0次或1次;當然更進一步可以優化為：

pattern = "[,;.，；。]?[^,;.，；。]*(?:小便|尿).*?[,;.，；。]"

可以看到，將pattern中第二個“[^,;.，；。]”變為“.?”
上述雖然將所有子句全部匹配并輸出了，但是相鄰的兩個子句還是分開輸出的，仍舊沒有達到我們想要的預期。于是對上述代碼進行了改進：

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)

結果為：

[',無浮腫、泡沫尿,', ',小便1-2小時1次,無尿痛、血尿。']

而如果使用re.search(),也是可以達到預期的，代碼如下：

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)

結果為：

['無浮腫、泡沫尿,', '小便1-2小時1次,無尿痛、血尿。']

到此這篇關于python中使用正則表達式將所有符合條件的字段全部提取出來的文章就介紹到這了,更多相關python 正則表達式提取字段內容請搜索億速云以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持億速云！