python中使用正則表達(dá)式將所有符合條件的字段全部提取出來

問題如標(biāo)題，使用正則表達(dá)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(qū)別就是前者是從目標(biāo)字符串的開頭匹配，而后者則要沒有這個(gè)要求。而re.findall()則是可以返回匹配的所有結(jié)果。但是有時(shí)候re.findall()返回的結(jié)果和前面兩個(gè)并不一樣，我們來看下面一個(gè)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(fā),無口干、眼干,無肢端發(fā)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(jié),5-6天1次,無腹痛、黑便、便血,小便1-2小時(shí)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(guān)的子句，目的就是將“無浮腫、泡沫尿”和“小便1-2小時(shí)1次,無尿痛、血尿?！弊R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(fā),無口干、眼干,無肢端發(fā)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(jié),5-6天1次,無腹痛、黑便、便血,小便1-2小時(shí)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(jié)果為：

[('尿', ''), ('小便', '小便')]

這里說明一下我使用的模式的意義，因?yàn)槲沂且ヅ渥泳?，所以一個(gè)子句的前后必然會有相應(yīng)的符號，所以pattern前面和后面均添加了“[,;.，；。]+”；“+”表示至少匹配一個(gè)。而后面的“[,;.，；。]*”表示匹配0個(gè)或多個(gè)除標(biāo)點(diǎn)符號“,;.，；?！钡娜我庾址@里分別添加了中英文的逗號、分號和句號，“*”表示匹配0個(gè)或1個(gè)及以上。需要說明的是，這里我之所以使用“[,;.，；。]”，是因?yàn)槲谋局锌赡馨芏嗥渌姆?，像上例中出現(xiàn)的“-”；所以想要使用漢字、數(shù)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(jié)果并不是我想要的，于是我稍微換了一下匹配規(guī)則，將“((小便)|尿)+”換成了“[(小便)|尿]+”；為了驗(yàn)證匹配的適用性，我又添加了兩個(gè)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(fā),無口干、眼干,無肢端發(fā)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(jié),5-6天1次,無腹痛、黑便、便血,小便1-2小時(shí)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(jié)果為：

[',無浮腫、泡沫尿,', ',近1月大便干結(jié),', ',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(shí)1次,無尿痛、血尿”中的“小便1-2小時(shí)1次”沒有匹配出來，二則是竟然連大便相關(guān)的“近1月大便干結(jié)”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(gè)的子串呢？但是根據(jù)第三個(gè)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(jié)束位置，所以我想要得到“小便1-2小時(shí)1次,無尿痛、血尿?！边@種兩個(gè)子句連在一起的情況也很難得到。
于是我轉(zhuǎn)而使用另一個(gè)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(fā),無口干、眼干,無肢端發(fā)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(jié),5-6天1次,無腹痛、黑便、便血,小便1-2小時(shí)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(jié)果為：

,無浮腫、泡沫尿,

可見，re.search()只匹配遇到的第一個(gè)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(jié)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(jié)果為：

,小便1-2小時(shí)1次,

修改后的結(jié)果為：

,近1月大便干結(jié),

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(guān)的子串；
而對于：

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

re.findall()和re.search()匹配的子串就有所區(qū)別了，前置匹配的結(jié)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(jìn)一步了解了正則的運(yùn)行機(jī)制后，發(fā)現(xiàn)小括號()除了提取匹配的字符串，還有一個(gè)作用是用來捕獲分組的，也就是說小括號中的內(nèi)容匹配后會被存儲起來，在調(diào)用的時(shí)候便會返回相應(yīng)的值。而使用re.findall()時(shí)會將存儲分組的值全部返回。
再舉個(gè)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(jié)果為：

[('尿', '', '尿'), ('小便', '小便', '')]

由上可知，“((小便)|(尿))”使用了三個(gè)“()”,于是便產(chǎn)生了三個(gè)分組，在最外圍的第一個(gè)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(gè)位置兩者都有；第二個(gè)分組是用來捕獲“(小便)”的，所以第二個(gè)分組只存儲“小便”；同理第三個(gè)分組用來捕獲“(尿)”的，所以結(jié)果只存儲了“尿”。
而我使用re.search()來輸出分組結(jié)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(jié)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(yīng)的分組結(jié)果相同。但是這里的group(0)(或者說group(),兩個(gè)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(dāng)調(diào)用group(0)的時(shí)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(dá)到目的。

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

此時(shí)便是匹配“小便”或者“尿”了；結(jié)果為：

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

注意上述結(jié)果，由于“,小便1-2小時(shí)1次,”和“無尿痛、血尿?！笔蔷o接著的，而逗號已經(jīng)被分配給了前者，所以后者便沒有了逗號，這看起了有點(diǎn)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(gè)“[,;.，；。]”后面將“+”換成了“?”()意思的前面的字符出現(xiàn)0次或1次;當(dāng)然更進(jìn)一步可以優(yōu)化為：

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

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

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(jié)果為：

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

而如果使用re.search(),也是可以達(dá)到預(yù)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(jié)果為：

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

到此這篇關(guān)于python中使用正則表達(dá)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(guān)python 正則表達(dá)式提取字段內(nèi)容請搜索億速云以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持億速云！