python 正则匹配中文

   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
    demo :
    
>>>   print  re.match(ur " [\u4e00-\u9fa5]+ " , " 啊 " )
None
 >>>   print  re.match(ur " [\u4e00-\u9fa5]+ " ,u " 啊 " )
 < _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。


    转载自http://www.blogjava.net/Skynet/archive/2009/05/02/268628.html

 

下面这个小工具包含了 判断unicode是否是汉字，数字，英文，或者其他字符。 全角符号转半角符号。 unicode字符串归一化等工作。 还有一个能处理多音字的汉字转拼音的程序，还在整理中。
 
#!/usr/bin/env python
# -*- coding:GBK -*- 
"""汉字处理的工具:
判断unicode是否是汉字，数字，英文，或者其他字符。
全角符号转半角符号。"""
__author__="internetsweeper <zhengbin0713@gmail.com>"
__date__="2007-08-04"
def is_chinese(uchar):
"""判断一个unicode是否是汉字"""
if uchar >= u'\u4e00' and uchar<=u'\u9fa5':
return True
else:
return False
def is_number(uchar):
"""判断一个unicode是否是数字"""
if uchar >= u'\u0030' and uchar<=u'\u0039':
return True
else:
return False
def is_alphabet(uchar):
"""判断一个unicode是否是英文字母"""
if (uchar >= u'\u0041' and uchar<=u'\u005a') or (uchar >= u'\u0061' and uchar<=u'\u007a'):
return True
else:
return False
def is_other(uchar):
"""判断是否非汉字，数字和英文字符"""
if not (is_chinese(uchar) or is_number(uchar) or is_alphabet(uchar)):
return True
else:
return False
def B2Q(uchar):
"""半角转全角"""
inside_code=ord(uchar)
if inside_code<0x0020 or inside_code>0x7e: #不是半角字符就返回原来的字符
return uchar
if inside_code==0x0020: #除了空格其他的全角半角的公式为:半角=全角-0xfee0
inside_code=0x3000
else:
inside_code+=0xfee0
return unichr(inside_code)
def Q2B(uchar):
"""全角转半角"""
inside_code=ord(uchar)

转载自 http://www.ej38.com/showinfo/Python-137539.html