Python 正则提取字符串中的地区

方法一 re正则

这里我查找的优先级是 市->省->自治区->县->区
代码实现

import re

PATTERN = r'([\u4e00-\u9fa5]{2,5}?(?:市|省|自治区|县|区)){1}'
data = '''11111111111231231深圳市中药制造业创新中心有限公司经典名方麦门冬汤复方制剂开发研究'''
pattern = re.compile(PATTERN)
m = pattern.search(data)
place = m.group()
print(place)
#深圳市

如果想要功能更全的匹配

#description: 从字符串中提取省市县等名称
 
import re
import sys
 
#匹配规则必须含有u,可以没有r
#这里第一个分组的问号是懒惰匹配,必须这么做
PATTERN = r'([\u4e00-\u9fa5]{2,5}?(?:省|自治区|市)){0,1}([\u4e00-\u9fa5]{2,7}?(?:区|县|州)){0,1}([\u4e00-\u9fa5]{2,7}?(?:村|镇|街道)){1}'
data_list = ['北京市南瓜村', '陕西省西安市雁塔区大村', '西班牙镇街道', '北京市海淀区', '黑龙江省佳木斯市汤原县大村', '内蒙古自治区赤峰市',
'贵州省黔南州贵定县', '新疆维吾尔自治区伊犁州奎屯市']
 
for data in data_list:
    country = ''
    province = ''
    city = ''
    district = ''
    #pattern = re.compile(PATTERN3)
    pattern = re.compile(PATTERN)
    m = pattern.search(data)
    if not m:
        print (country + '|||')
        continue
    #print m.group()
    country = '中国'
    if m.lastindex >= 1:
        province = m.group(1)
    if m.lastindex >= 2:
        city = m.group(2)
    if m.lastindex >= 3:
        district = m.group(3)
    out = '%s|%s|%s|%s' %(country, province, city, district)
    print (out)

解释如下

方法二 cpca

先安装cpca

pip install cpca

使用

import cpca

data = '''
(网)广州新溪项目河涌整治景观提升设计招标
'''
place = ''
place_list = list()
place_list.append(data)
integrity_place = cpca.transform(place_list)
print(integrity_place)
#      省    市     区                  地址  adcode
# 0  广东省  广州市  None  新溪项目河涌整治景观提升设计招标\n  440100
print(integrity_place['省'][0])
# 广东省

注意事项
cpca.transform()中的参数需为可迭代类型(如list，pandas的Series类型等)，函数会将其转换为一个DataFrame