如何使用正则表达式提取文档/文本中的所有引号？

Question

我正在尝试使用 python 正则表达式提取文档中出现的所有引用。

我有如下代码，但它不起作用：

import re
hand = open('citi.txt')
for line in hand:
    line = line.rstrip()
    if re.search('(?:"(.*?)")', line):
        print line

Answer 1

您可以使用re.findall('(?:"(.*?)")', line) 仅从行中提取引用的文本，而不是打印整行，即使每行出现多次。你的代码可以修改如下：

import re

# This will make sure citi.txt is properly closed after opening it.
# infl.read() will read the whole file as single string, so no need to loop
with open('citi.txt', 'r') as infl:
    hand = infl.read()

# And look for occurences of your string
match = re.findall('(?:"(.*?)")', hand)
if match:
    print match

例如如果line == 'This is "a sample" line with "two quoted" substrings'，此代码将打印['a sample', 'two quoted']

编辑：适应 unicode

您的引号似乎是 unicode 字符。请注意“、”、“之间的细微差别（我最初也没有发现）。

我的原始答案和您的代码示例基于 ASCII 字符串，但您需要这样的正则表达式字符串：

match = re.findall(u'(?:\u201c(.*?)\u201d)', hand)

解释：\u201c 用于左双引号，\u201d 用于右双引号，u 将字符串标记为 Unicode。

这现在适用于您提供的摘录。