Python中怎么提取字符串中的汉字？

Python中怎么提取字符串中的汉字？

By Datawhale知乎内容输出小组D1

问题

str1 = “｛我%$是，《速$@.度\发》中 /国、人”

怎么把里面的汉字提取出来，只要汉字，替换成

str1 = “我是速度发中国人”

还有就是

str2 = “[齐天大圣/孙悟空] 2016.09.17 六学家Zhang ~ 第1张.jpg”

这个是把里面的符号都去掉。转换成这样的字符串

str2 = “齐天大圣孙悟空20160917六学家Zhang第1张.jpg”

解答

首先我有个疑问 - str2中的符号’.'需要去掉吗？

题主给定的输出是"齐天大圣孙悟空20160917六学家Zhang第1张.jpg"，包含了倒数第4个字符’.’，但是没有包含’2016.09.17’中的’.’。

这里我暂且假定正确的输出为：‘齐天大圣孙悟空20160917六学家Zhang第1张jpg’，即’.'作为字符，是需要去掉的。

采用正则表达式的方法对字符串进行处理。

str1 = "｛我%$是，《速$@.度\发》中 /国、人" 
str2 = "[齐天大圣/孙悟空] 2016.09.17 六学家Zhang ~ 第1张.jpg"

1）提取汉字

汉字的范围为”\u4e00-\u9fa5“，这个是用Unicode表示的

import re
res1 = ''.join(re.findall('[\u4e00-\u9fa5]',str1))
print(res1)

输出为：‘我是速度发中国人’

2）去除所有符号。采用清理数据，仅保留字母、数字、中文的方法

res2 = re.sub("[^a-zA-Z0-9\u4e00-\u9fa5]", '', str2) 
print(res2)

输出为：‘齐天大圣孙悟空20160917六学家Zhang第1张jpg’
运行截图如下：