2022年 11月 3日

Python 正则表达式匹配中文

参照Python正则表达式指南

在使用Python的过程中，由于需求原因，我们经常需要在文本或者网页元素中用Python正则表达式匹配中文，但是我们经常所熟知的正则表达式却只能匹配英文，而对于中文编码却望尘莫及，于是我大量Google，几经Baidu，花了两个多个小时测试，终于发现解决的办法。特记录如下

从字符串的角度来说，中文不如英文整齐、规范，这是不可避免的现实。本文结合网上资料以及个人经验，以 python 语言为例，稍作总结。欢迎补充或挑错。 
通常我们可以使用 repr()函数查看字串的原始格式。这对于写正则表达式有所帮助。 

Python正则表达式的问题

更加详细的Python正则表达式问题，请参见这里http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html

    Python 的 re模块有两个相似的函数：re.match(), re.search 。

    两个函数的匹配过程完全一致，只是起点不同。    match只从字串的开始位置进行匹配，如果失败，它就此放弃；

    而search则会锲而不舍地完全遍历整个字串中所有可能的位置，直到成功地找到一个匹配，或者搜索完字串，以失败告终。

    如果你了解match的特性(在某些情况下比较快)，大可以自由用它；如果不太清楚，search通常是你需要的那个函数。

    从一堆文本中，找出所有可能的匹配，以列表的形式返回，这种情况用findall()这个函数。例子见后面的代码。 

UTF-8与unicode

    UTF-8 是变长的，1-6个字节，少数是汉字每个占用3个字节，多数占用4个字节，正则式为[\x80-\xff]{3}，这个都知道了吧。     unicode下，汉字的格式如\uXXXX，只要找到对应的字符集的范围，就能匹配相应的字串，方便从多语言文本中挑出所需要的某种语言的文本。不过，对于像日文这样的粘着语，既有中文字符，又有平假名片假名，或许结果会有所偏差。 

两种字符类可以并列在一起使用，例如，平假名、片假名、中文的放在一起，u”[\u4e00-\u9fa5\u3040-\u309f\u30a0-\u30ff]+”，来自定义所需要匹配的文本。 

匹配中文时，正则表达式和目标字串的格式必须相同。这一点至关重要。或者都用默认的utf8，此时你不用额外做什么；如果是unicode，就需要在正则式之前加上u””格式。 

可以这样定义unicode字符串：string=u”我爱正则表达式”。如果字串不是unicode的，可以使用unicode()函数转换之。如果你知道源字串的编码，可以使用newstr=unicode(oldstring, original_coding_name)的方式转换，

例如 linux 下常用unicode(string, “utf8”)，windows 下或许会用cp936吧

示例程序1

  1. # -*- coding: utf-8 -*- 
  2. import sys
  3. import re
  4. reload(sys)
  5. sys.setdefaultencoding('utf8')
  6.  
  7.  
  8. s="""
  9.             en: Regular expression is a powerful tool for manipulating text. 
  10.             zh: 汉语是世界上最优美的语言，正则表达式是一个很有用的工具
  11.             jp: 正規表現は非常に役に立つツールテキストを操作することです。 
  12.             jp-char: あアいイうウえエおオ 
  13.             kr:정규 표현식은 매우 유용한 도구 텍스트를 조작하는 것입니다. 
  14.             """
  15. print "原始utf8字符"
  16. #utf8
  17. print "--------"
  18. print repr(s)
  19. print "--------\n"
  20.  
  21. #非ansi
  22. re_words=re.compile(r"[\x80-\xff]+")
  23. m =  re_words.search(s,0)
  24. print "非ansi字符"
  25. print "--------"
  26. print m
  27. print m.group()
  28. print "--------\n"
  29.  
  30. #unicode
  31. s = unicode(s)
  32. print "原始unicode字符"
  33. print "--------"
  34. print repr(s)
  35. print "--------\n"
  36.  
  37. #unicode chinese
  38. re_words = re.compile(u"[\u4e00-\u9fa5]+")
  39. m =  re_words.search(s,0)
  40. print "unicode 中文"
  41. print "--------"
  42. print m
  43. print m.group()
  44. res = re.findall(re_words, s)       # 查询出所有的匹配字符串
  45. if res:
  46.     print "There are %d parts:\n"% len(res) 
  47.     for r in res: 
  48.         print "\t",r 
  49.         print 
  50. print "--------\n"
  51.  
  52.  
  53. #unicode korean
  54. re_words=re.compile(u"[\uac00-\ud7ff]+")
  55. m =  re_words.search(s,0)
  56. print "unicode 韩文"
  57. print "--------"
  58. print m
  59. print m.group()
  60. print "--------\n"
  61.  
  62.  
  63. #unicode japanese katakana
  64. re_words=re.compile(u"[\u30a0-\u30ff]+")
  65. m =  re_words.search(s,0)
  66. print "unicode 日文 片假名"
  67. print "--------"
  68. print m
  69. print m.group()
  70. print "--------\n"
  71.  
  72.  
  73. #unicode japanese hiragana
  74. re_words=re.compile(u"[\u3040-\u309f]+")
  75. m =  re_words.search(s,0)
  76. print "unicode 日文 平假名"
  77. print "--------"
  78. print m
  79. print m.group()
  80. print "--------\n"
  81.  
  82.  
  83. #unicode cjk Punctuation
  84. re_words=re.compile(u"[\u3000-\u303f\ufb00-\ufffd]+")
  85. m =  re_words.search(s,0)
  86. print "unicode 标点符号"
  87. print "--------"
  88. print m
  89. print m.group()
  90. print "--------\n"

几种主要非英文字符集的编码范围

下面是Google出现的几种主要非英文字符集的编码范围

主要非英文语系字符范围
范围 编码 说明
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 中日韩认同文字扩充A区 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 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。

示例程序2

    那么我们很多时候如果要匹配的内容如果既有中文也有英文，比如我们要匹配一个可以由中文字母以及一些其他字符组成的标题，该怎么写呢，我么接着看下面的代码

  1. #!coding:utf-8
  2.  
  3. import re
  4. import sys
  5.  
  6.  
  7.  
  8. # 测试匹配中文信息
  9. def TestReChinese( ):
  10.     source  =   u"        数据结构模版----单链表SimpleLinkList[带头结点&&面向对象设计思想](C语言实现)"
  11.     temp    =   source.decode('utf8')
  12.     print "同时匹配中文英文"
  13.     print "--------------------------"
  14.     xx      =   u"([\w\W\u4e00-\u9fff]+)"
  15.     pattern =   re.compile(xx)
  16.     results =   pattern.findall(temp)
  17.     for result in results:
  18.         print result
  19.     print "--------------------------"
  20.     print 
  21.     print 
  22.     print "只匹配中文"
  23.     print "--------------------------"
  24.     xx      =   u"([\u4e00-\u9fff]+)"
  25.     pattern =   re.compile(xx)
  26.     results =   pattern.findall(temp)
  27.  
  28.     for result in results:
  29.         print result
  30.     print "--------------------------"
  31.  
  32. if __name__ == "__main__" :
  33.     # 测试正则表达式
  34.  
  35.     reload(sys)
  36.     sys.setdefaultencoding("utf-8")
  37.  
  38.     TestReChinese( )

其他方法

上面的代码我们已经看的很明白了，这样我们就很清楚了，那么有没有其他方法呢，其实Python中也有一个其他方法可以解决中文匹配的问题了，但是这个写法其实是绕过了编码问题，也就是说是一种有点投机取巧的方法，但是这个方法却很实用。

具体信息请参见http://blog.csdn.net/gatieme/article/details/43275077

  1. 转：
  2. https://blog.csdn.net/gatieme/article/details/43235791

\w 匹配的仅仅是中文，数字，字母，对于国人来讲，仅匹配中文时常会用到，见下

代码如下: 
匹配中文字符的正则表达式： [\u4e00-\u9fa5]

或许你也需要匹配双字节字符，中文也是双字节的字符

代码如下: 
匹配双字节字符(包括汉字在内)：[^\x00-\xff]

注：可以用来计算字符串的长度(一个双字节字符长度计 2，ASCII 字符计 1 )

PS：关于正则，本站还提供了一个非常简便实用的正则测试工具供大家使用：

正则表达式在线测试工具：//www.w3cschool.cn/tools/index?name=reg