Python正则表达式匹配中文
分享一下我老师大神的人工智能教程!零基础,通俗易懂!http://blog.csdn.net/jiangjunshow
也欢迎大家转载本篇文章。分享知识,造福人民,实现我们中华民族伟大复兴!
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
# -*- coding: utf-8 -*- import sysimport rereload(sys)sys.setdefaultencoding('utf8')s=""" en: Regular expression is a powerful tool for manipulating text. 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 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。 jp-char: あアいイうウえエおオ kr:정규 표현식은 매우 유용한 도구 텍스트를 조작하는 것입니다. """print "原始utf8字符"#utf8print "--------"print repr(s)print "--------\n"#非ansire_words=re.compile(r"[\x80-\xff]+")m = re_words.search(s,0)print "非ansi字符"print "--------"print mprint m.group()print "--------\n"#unicodes = unicode(s)print "原始unicode字符"print "--------"print repr(s)print "--------\n"#unicode chinesere_words = re.compile(u"[\u4e00-\u9fa5]+")m = re_words.search(s,0)print "unicode 中文"print "--------"print mprint m.group()res = re.findall(re_words, s) # 查询出所有的匹配字符串if res: print "There are %d parts:\n"% len(res) for r in res: print "\t",r print print "--------\n"#unicode koreanre_words=re.compile(u"[\uac00-\ud7ff]+")m = re_words.search(s,0)print "unicode 韩文"print "--------"print mprint m.group()print "--------\n"#unicode japanese katakanare_words=re.compile(u"[\u30a0-\u30ff]+")m = re_words.search(s,0)print "unicode 日文 片假名"print "--------"print mprint m.group()print "--------\n"#unicode japanese hiraganare_words=re.compile(u"[\u3040-\u309f]+")m = re_words.search(s,0)print "unicode 日文 平假名"print "--------"print mprint m.group()print "--------\n"#unicode cjk Punctuationre_words=re.compile(u"[\u3000-\u303f\ufb00-\ufffd]+")m = re_words.search(s,0)print "unicode 标点符号"print "--------"print mprint m.group()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
#!coding:utf-8import reimport sys# 测试匹配中文信息def TestReChinese( ): 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)" temp = source.decode('utf8') print "同时匹配中文英文" print "--------------------------" xx = u"([\w\W\u4e00-\u9fff]+)" pattern = re.compile(xx) results = pattern.findall(temp) for result in results: print result print "--------------------------" print print print "只匹配中文" print "--------------------------" xx = u"([\u4e00-\u9fff]+)" pattern = re.compile(xx) results = pattern.findall(temp) for result in results: print result print "--------------------------"if __name__ == "__main__" : # 测试正则表达式 reload(sys) sys.setdefaultencoding("utf-8") 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
给我老师的人工智能教程打call!http://blog.csdn.net/jiangjunshow
Python正则表达式匹配中文相关推荐
- python正则表达式匹配中文汉字
原文链接:python使用正则表达式匹配中文汉字 python正则匹配汉字,用来计算汉字字数,有两种方法: 1 [\u4e00-\u9fa5] 2 [^\x00-\xff] 两种匹配方式的区别: [\ ...
- python正则表达式匹配中文标点符号_正则表达式-匹配标点符号
string testStr = "你好,测试."; Regex reg= new Regex(@"\p{P}"); testStr= reg.Replace( ...
- python正则匹配中文_python 正则表达式匹配中文-阿里云开发者社区
python 正则表达式匹配中文 文件编码为 utf-8 设置默认编码为 utf-8 中文需要转换为 \u 形式的编码,也就是 编码, 轮换方法,cmd 下执行 python 进入 python 命 ...
- Python正则匹配中文与编码总结
###字符串的编码乱码问题由来已久,真的是令人头疼.这不是在做正则匹配中文时候,编码又一次成了拦路虎,在这儿记录两点.第一,字符串编码.第二,正则匹配中文. 早期编码都用ASCII编码,用一个字节来处 ...
- Oracle正则表达式匹配中文的问题
查资料知道中文Unicode范围是\u4e00 - \u9fa5 可是自己用来正则表达式匹配中文总是用不了Unicode.最简单举例: select regexp_replace('abc秋歌def' ...
- Notepad++中用正则表达式匹配中文
通常正则表达式匹配中文可以利用Unicode的特点,使用[\u4e00-\u9fa5]匹配.但在Notepad++中不能正常使用. 解决方法是,首先将编码转换成Unicode(菜单->格式-&g ...
- re 正则表达式匹配中文
之前踩过一个坑, 用正则表达式匹配中文字符:[^\x00-\xff] 最后发现这个是匹配非单字节字符, 表示的是0- 255 的ASCII码值 import re r = re.compile('[^ ...
- 【转】正则表达式 匹配中文,英文字母和数字及_的写法!同时控制长度
[转]正则表达式 匹配中文,英文字母和数字及_的写法!同时控制长度 using System.Text.RegularExpressions; 匹配中文:[\u4e00-\u9fa5] 英文字母:[a ...
- python正则表达式匹配字符串中的电话号码_Python正则表达式匹配字符串中的数字...
这篇文章主要介绍了Python正则表达式匹配字符串中的数字,本文通过实例代码给大家介绍的非常详细,具有一定的参考借鉴价值,需要的朋友可以参考下 1.使用"\d+"匹配全数字 代码: ...
最新文章
- gp338信令_对讲机的问题1gp338在按ptt键讲话时,如何加入mdc12 爱问知识人
- github登陆策略
- 【leetcode】581. Shortest Unsorted Continuous Subarray
- php 屏蔽ip段,php禁止ip段的方法
- kafka数据不丢失不重复_如何配置 KAFKA 使其消息不会丢失
- php 拖拽 上传文件 进度,在Vue中如何实现带进度条的文件拖动上传功能
- android之appwidget(一)简单appwidget
- mysql 取substring_如何在MySQL中的字段上应用Substring()以获取字符串的一部分?
- esp8266 继电器接线图_esp8266控制继电器问题(通电瞬间继电器吸合断开一次)
- poj1062 昂贵的聘礼
- 免费分享一套详细的Hadoop学习视频
- text生成pdf之ctexwineditmiktexgbk2uni的安装使用方法
- 关于matlab 画水平线
- 【里程碑】牛X的一塌糊涂,不需要目标板额外做任何代码,实时检测RTOS的任务执行情况,支持在线和脱机玩法
- 打印机在计算机里被删掉,打印机显示正在删除怎么办 打印机显示正在删除解决办法...
- 史上最全!支持EOS映射的交易所统计|关于EOS映射,你想知道的都在这
- 谷歌2022学术指标出炉!Nature继续霸榜,CVPR第4,计算机5顶会入Top20
- 多云时代,IBM云计算有什么不同?
- 冷门但实用的Word技巧
- 【Hbase】(十一)详解 HBase 表的设计原则