昊天SEO

正则匹配中文,日文韩文

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


# -*- coding: utf-8 -*- 
import sys 
import re 
reload(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" 
#utf8 
print "--------" 
print repr(s) 
print "--------\n" 
 
#非ansi 
re_words=re.compile(r"[\x80-\xff]+") 
m = re_words.search(s,0) 
print "非ansi字符" 
print "--------" 
print m 
print m.group() 
print "--------\n" 
 
#unicode 
s = unicode(s) 
print "原始unicode字符" 
print "--------" 
print repr(s) 
print "--------\n" 
 
#unicode chinese 
re_words = re.compile(u"[\u4e00-\u9fa5]+") 
m = re_words.search(s) 
print "unicode 中文" 
print "--------" 
print m 
print 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 korean 
re_words=re.compile(u"[\uac00-\ud7ff]+") 
m = re_words.search(s,0) 
print "unicode 韩文" 
print "--------" 
print m 
print m.group() 
print "--------\n" 
 
 
#unicode japanese katakana 
re_words=re.compile(u"[\u30a0-\u30ff]+") 
m = re_words.search(s,0) 
print "unicode 日文 片假名" 
print "--------" 
print m 
print m.group() 
print "--------\n" 
 
 
#unicode japanese hiragana 
re_words=re.compile(u"[\u3040-\u309f]+") 
m = re_words.search(s,0) 
print "unicode 日文 平假名" 
print "--------" 
print m 
print m.group() 
print "--------\n" 
 
 
#unicode cjk Punctuation 
re_words=re.compile(u"[\u3000-\u303f\ufb00-\ufffd]+") 
m = re_words.search(s,0) 
print "unicode 标点符号" 
print "--------" 
print m 
print 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

其他方法

#!coding:utf-8

import re
import 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( )

 
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。

本文地址官网    新乡网站建设,seo

分享到:更多 ()
a