python中如何用正则表达式匹配汉字

原作地址:http://blog.chinaunix.net/uid-21633169-id-4396998.html

 由于 需求原因,需要匹配 提取中文,大量google下,并没有我需要的。花了一个小时大概测试,此utf8中文通过,特留文。
   参考: http://hi.baidu.com/nivrrex/blog/item/e6ccaf511d0926888d543071.html
          http://topic.csdn.net/u/20070404/15/b011aa83-f9b7-43b3-bbff-bfe4f653df03.html

    首先,确保所有编码都为 unicode
         比如 str.decode('utf8') #从utf8文本中
              u"啊l"  #在控制台输出中    
         (罗嗦下)本想使用参考一定编码 Hex 但郁闷的是 这每个字好像占2个位置,使用正则匹配无果。
    其次,确定中文范围 :  [\u4e00-\u9fa5]
          (这里注意下 python 的re写的时候) 要   u " [\u4e00-\u9fa5] " #确定正则表达式也是 unicode 的
    demo :
    
>>>   print  re.match(ur " [\u4e00-\u9fa5]+ " , " " )
None
>>>   print  re.match(ur " [\u4e00-\u9fa5]+ " ,u " " )
< _sre.SRE_Match object at  0x2a98981308 >


>>>   print  re.match(ur " [\u4e00-\u9fa5]+ " ,u " t " )
None


>>>   print  tt
现在才明白
>>>  tt
' \xe7\x8e\xb0\xe5\x9c\xa8\xe6\x89\x8d\xe6\x98\x8e\xe7\x99\xbd '
>>>   print  re.match(r " [\u4e00-\u9fa5] " ,tt.decode( ' utf8 ' ))
None
>>>   print  re.match(ur " [\u4e00-\u9fa5] " ,tt.decode( ' utf8 ' ))
< _sre.SRE_Match object at  0x2a955d9c60 >


>>>   print  re.match(ur " .*[ " u4e00 - " u9fa5]+ " ,u " hi,匹配到了 " )
< _sre.SRE_Match object at  0x2a955d9c60 >
>>>   print  re.match(ur " .*[ " u4e00 - " u9fa5]+ " ,u " hi,no no " )
None
       



其他 扩充 范围 (转)
这里是几个主要非英文语系字符范围(google上找到的):
2E80 ~33FFh:中日韩符号区。收容康熙字典部首、中日韩辅助部首、注音符号、日本假名、韩文音符,中日韩的符号、标点、带圈或带括符文数字、月份,以及日本的假名组合、单位、年号、月份、日期、时间等。
3400 ~4DFFh:中日韩认同表意文字扩充A区,总计收容6 , 582个中日韩汉字。
4E00 ~9FFFh:中日韩认同表意文字区,总计收容20 , 902个中日韩汉字。
A000~A4FFh:彝族文字区,收容中国南方彝族文字和字根。
AC00~D7FFh:韩文拼音组合字区,收容以韩文音符拼成的文字。
F900~FAFFh:中日韩兼容表意文字区,总计收容302个中日韩汉字。
FB00~FFFDh:文字表现形式区,收容组合拉丁文字、希伯来文、阿拉伯文、中日韩直式标点、小符号、半角符号、全角符号等。
比如需要匹配所有中日韩非符号字符
, 那么正则表达式应该是^ [ \u3400-\u9FFF ] +$
理论上没错
,  可是我到msn.co.ko随便复制了个韩文下来 ,  发现根本不对 ,  诡异
再到msn.co.jp复制了个’お’
,  也不得行..
然后把范围扩大到^
[ \u2E80-\u9FFF ] +$ ,  这样倒是都通过了 ,  这个应该就是匹配中日韩文字的正则表达式了 ,  包括我們臺灣省還在盲目使用的繁體中文
而关于中文的正则表达式
,  应该是^ [ \u4E00-\u9FFF ] +$ ,  和论坛里常被人提起的^ [ \u4E00-\u9FA5 ] +$很接近
需要注意的是论坛里说的^
[ \u4E00-\u9FA5 ] +$这是专门用于匹配简体中文的正则表达式 ,  实际上繁体字也在里面 ,  我用测试器测试了下’中華人民共和國’ ,  也通过了 ,  当然 ,  ^ [ \u4E00-\u9FFF ] +$也是一样的结果。
  • 2
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值