作业要求
环境路径
类似于这样的，一共50篇文档，
均为中文文档，是法院判决书的合集。
程序
程序如下，我完全使用正则表达式来实现功能，
import reimport globimport copyname_list = glob.glob('./*.txt')date_totul = []indictee_totul = []court_totul = []procuratorate_totul = []with open('./result.txt','a',encoding='utf-8') as f_r: for name in name_list: f_r.write('<{0}>\n\n'.format(name.split('\\')[-1])) with open(name,encoding='utf-8') as f: lines = f.read() # 时间匹配 #xxxx年xx月xx日；同年xx月xx日；xxxx年xx月x旬；xxxx年xx月底；xxxx年xx月；xx月xxx日 # |优先匹配前面的，无符合才匹配后面的 pattern_t = re.compile( '[0-9〇一二三四五六七八九]{4}年.{1,2}月.{1,3}日' '|同年.{1,2}月.{1,3}日' '|[0-9〇一二三四五六七八九]{4}年.{1,2}月.{1}旬' '|[0-9〇一二三四五六七八九]{4}年.{1,2}月底' '|[0-9〇一二三四五六七八九]{4}年.{1,2}月' '|[0-9〇一二三四五六七八九十]{1,2}月.{1,3}日') date_step = [date for date in pattern_t.findall(lines)] # print(date_step) for i in date_step: f_r.write('\n\n'.format(i)) date_totul.extend(date_step) # 被告匹配 pattern_i = re.compile('被告人(.{2,4}?)[,，]|被上诉人：(.+?)。|被执行人：(.+?)。') pattern_i2 = re.compile('被申诉人\（.+\）：(.+)。|被申请人\（.+\）：(.+)。') defendant = list(set([item[0] for item in re.findall(pattern_i,lines) + pattern_i2.findall(lines) if '死刑' not in item[0]])) if defendant != [] and defendant != ['']: print(defendant) # indictee_totul.append(indictee_step) for item in defendant: f_r.write(' {0} \n\n'.format(item)) # 法院匹配 pattern_c = re.compile('[\n。,，《；](.{,15}?人民法院)') _court_list = [name.group(1) for name in pattern_c.finditer(lines)] _court_step = [] # print(_court_list) for _court in _court_list: _court_step.append(_court.split('。')[-1] .split('，')[-1] .split('《')[-1] .split('、')[-1] .split('；')[-1]) _court_step = list(set(_court_step)) for court_name in _court_step: if '由' in court_name or\ '向' in court_name or \ '受' in court_name or \ '和' in court_name: # print(name) _court_step.append(court_name.split('由')[-1]. split('向')[-1]. split('受')[-1]. split('和')[-1]) _court_step.remove(court_name) # print(_court_step) if '不服' in court_name or \ '后被' in court_name or \ '报请' in court_name or \ '书证' in court_name or \ '核准' in court_name or \ '指令' in court_name or \ '维持' in court_name or \ '撤销' in court_name or \ '参照' in court_name: _court_step.append(copy.deepcopy(court_name[2::])) _court_step.remove(court_name) _court_step = list(set(_court_step)) if '人民法院' in _court_step: _court_step.remove('人民法院') for i in _court_step: f_r.write(' {0} \n\n'.format(i)) # print(name,_court_step) # 检察院匹配 pattern_p = re.compile('审理(.+)指控') procuratorate_step = list(set([name.group(1) for name in pattern_p.finditer(lines)])) procuratorate_totul.extend(procuratorate_step) # print(name,procuratorate_step) for i in procuratorate_step: f_r.write(' {0} \n\n'.format(i)) # 地点匹配 pattern_pl_1 = re.compile('(.{2}省.+?县)') pattern_pl_2 = re.compile('.{2}省.{2}市') pattern_pl_3 = re.compile('.{2}省.+?自治州') pattern_pl_4 = re.compile('.{2}省.+?乡') pattern_pl_5 = re.compile('.{2}市.{2}区') pattern_pl_6 = re.compile('.{2}市.{2}镇') pattern_pl_7 = re.compile('.{2}市.+?开发区') place_step = list(set([name.group(0) for name in pattern_pl_1.finditer(lines)])) place_step.extend(list(set([name.group(0) for name in pattern_pl_2.finditer(lines)]))) place_step.extend(list(set([name.group(0) for name in pattern_pl_3.finditer(lines)]))) place_step.extend(list(set([name.group(0) for name in pattern_pl_4.finditer(lines)]))) place_step.extend(list(set([name.group(0) for name in pattern_pl_5.finditer(lines)]))) place_step.extend(list(set([name.group(0) for name in pattern_pl_6.finditer(lines)]))) place_step.extend(list(set([name.group(0) for name in pattern_pl_7.finditer(lines)]))) place_step_n = [] for place_name in place_step: if len(place_name)<=15: # print(name,place_name) place_step_n.append(place_name) if '××' in place_name: if place_name in place_step_n: place_step_n.append(place_name.split('××')[0]) place_step_n.remove(place_name) if 'XX' in place_name: if place_name in place_step_n: place_step_n.append(place_name.split('XX')[0]) place_step_n.remove(place_name) # print(name, [(len(item)) for item in place_step_n]) # print(name,place_step,len(place_step)) # print(name,place_step_n,len(place_step_n)) for i in place_step_n: f_r.write(' {0} \n\n'.format(i)) f_r.write(' \n\n'.format(name.split('\\')[-1])) 截取结果文档中某一文件的结果贴出来，展示如下，
<11273.txt>杨飞程 云南省丽江市中级人民法院 云南省高级人民法院 最高人民法院 丽江市人民检察院 云南省丽江市 云南省大理市 丽江市古城区 大理市
re总结
这次使用了不少这则表达式，虽然不怎么高深，不过还是略有心得，特此总结一下。
这里给出一个比较完备的，但是自己的使用还是有一些自己的理解重点，所以这篇文章还要继续233
几个基础函数
- re.compile(pattern, flags=0)
-
将正则表达式模式编译成一个正则表达式对象，它可以用于匹配使用它的和等方法。
实际有两种使用方式：
pattern.匹配方法(string) 或者 re.匹配方法(pattern,string)
使用或|来强化匹配规则：
pattern_t = re.compile( '[0-9〇一二三四五六七八九]{4}年.{1,2}月.{1,3}日' '|同年.{1,2}月.{1,3}日' '|[0-9〇一二三四五六七八九]{4}年.{1,2}月.{1}旬' '|[0-9〇一二三四五六七八九]{4}年.{1,2}月底' '|[0-9〇一二三四五六七八九]{4}年.{1,2}月' '|[0-9〇一二三四五六七八九十]{1,2}月.{1,3}日')
- re.findall(pattern, string, flags=0)
-
返回字符串
- re.finditer(pattern, string, flags=0)
-
返回一个符合
正则表达式迭代器对象
之所以单提出来，是因为迭代器在匹配组groups的时候真的好用，
pattern_c = re.compile('[\n。,，《；](.{,15}?人民法院)')
_court_list = [name.group(1) for name in pattern_c.finditer(lines)]
group(1)表示匹配到的符合第一组的部分，2、3……类推，而0表示包含全部匹配的各个组结果的元组。
贪婪匹配
比如正则表达式：
'审理(.+)指控'
我希望不去贪婪匹配，那么应该是
'审理(.+)指控？'
而非
'审理(.+？)指控'