python如何提取文本信息？

先读取文本内容，再根据结构选择字符串处理、正则表达式或专用库提取信息。1. 读取文件或字符串变量；2. 用split()、find()等方法提取固定格式信息；3. 用re.findall()提取邮箱、电话、日期等规律性信息；4. 对JSON、HTML、PDF等结构化文本分别使用json、BeautifulSoup、PyPDF2等工具解析后提取。

提取文本信息在Python中很常见，主要根据文本来源和结构选择合适的方法。核心思路是读取文本内容后，用字符串处理、正则表达式或专用库进行信息抽取。

1. 读取文本内容

先将文本加载到程序中，常见方式有读取文件或处理字符串变量。

示例：

• 读取本地文本文件：

  with open('text.txt', 'r', encoding='utf-8') as f:
      text = f.read()

• 处理字符串：

  text = "这里是需要提取信息的文本内容"

2. 使用字符串方法提取简单信息

适用于格式固定的文本，比如提取关键词前后的内容。

• split() 分割文本： 按分隔符切分，取所需部分

  title = text.split("标题：")[1].split("\n")[0]

• find() + 切片： 定位关键词位置并提取

  start = text.find("电话：") + 3
  end = text.find("\n", start)
  phone = text[start:end]

3. 使用正则表达式提取复杂模式

适合提取电话号码、邮箱、日期等有规律的信息。

示例：

• 提取邮箱：

  import re
  emails = re.findall(r'[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}', text)

• 提取手机号：

  phones = re.findall(r'1[3-9]\d{9}', text)

• 提取日期（如2025-04-05）：

  dates = re.findall(r'\d{4}-\d{2}-\d{2}', text)

4. 处理结构化文本（如JSON、HTML、PDF）

不同格式需用对应工具解析后再提取。

• JSON 数据：

  import json
  data = json.loads(text)
  value = data['key']

• HTML 页面（用 BeautifulSoup）：

  from bs4 import BeautifulSoup
  soup = BeautifulSoup(text, 'html.parser')
  titles = soup.find_all('h1')

• PDF 文件（用 PyPDF2 或 pdfplumber）：

  import PyPDF2
  reader = PyPDF2.PdfReader('file.pdf')
  text = reader.pages[0].extract_text()

基本上就这些。根据你的文本类型选对方法，再结合字符串操作和正则表达式，就能高效提取所需信息。