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 re
import glob
import copy
name_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}>
'.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('<time>{0}</time>
'.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('<defendant>{0}</defendant>
'.format(item))
# 法院匹配
pattern_c = re.compile('[
。,，《；](.{,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('<court>{0}</court>
'.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('<procuratorate>{0}</procuratorate>
'.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('<location>{0}</location>
'.format(i))
f_r.write('</{0}>
'.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>
<time>1991年7月3日</time>
<time>2008年8月7日</time>
<time>2008年9月16日</time>
<time>2009年3月18日</time>
<time>2011年2月6日</time>
<time>2012年2月2日</time>
<time>2013年3月28日</time>
<time>2013年6月14日</time>
<time>2014年4月14日</time>
<time>2014年10月27日</time>
<time>2013年5月8日</time>
<time>5月10日</time>
<time>二〇一五年二月二十七日</time>
<defendant>杨飞程</defendant>
<court>云南省丽江市中级人民法院</court>
<court>云南省高级人民法院</court>
<court>最高人民法院</court>
<procuratorate>丽江市人民检察院</procuratorate>
<location>云南省丽江市</location>
<location>云南省大理市</location>
<location>丽江市古城区</location>
<location>大理市</location>
</11273.txt>
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正则表达式介绍，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match ()和search ()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)
-
返回一个迭代器符合
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('[ 。,，《；](.{,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'