python匹配中文

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

 

 

def filter(string):

string = 'avb测试123<>《》！*(^)$%~!@#$…&%￥—+=、。，；‘’“”：·`文本';
string = string.decode("utf-8")
filtrate = re.compile(u'[^\u4E00-\u9FA5]')#非中文
filtered_str = filtrate.sub(r' ', string)#replace
print filtered_str
return 'te'

demo :

>>> print re.match(ur " [\u4e00-\u9fa5]+ " , " 啊 " )
None
>>> print re.match(ur " [\u4e00-\u9fa5]+ " ,u " 啊 " )
< _sre.SRE_Matchobjectat 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_Matchobjectat 0x2a955d9c60 >


>>> print re.match(ur " .*[ " u4e00 - " u9fa5]+ " ,u " hi,匹配到了 " )
< _sre.SRE_Matchobjectat 0x2a955d9c60 >
>>> print re.match(ur " .*[ " u4e00 - " u9fa5]+ " ,u " hi,nono " )
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 ]