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。
立即学习“Python免费学习笔记（深入）”；
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()
