昊天SEO

python 字符串中的中文识别

python的中文问题一直是让人不爽的一件事情,而python的一个强大之处恰恰是string的处理,而且string就难免不包含chinese。所以处理string中的chinese就变得很重要了。

实验室的complex network项目,目前是数据处理阶段,考虑到python的高效和强大的string功能,我决定使用python对大量的数据进行处理。

下面是一个简单的demo,先贴代码,然后进行说明:

python 代码
 -*- coding: gb18030 -*-   
import string  
import re  
  
identify = string.maketrans('', '')   
  
delEStr = string.punctuation + ' ' + string.digits  #ASCII 标点符号,空格和数字   
delCStr = '《》()&%¥#@!{}【】'   
  
s = '中华人民共和国(北京)'   
  
s = s.translate(identify, delEStr) #去掉ASCII 标点符号和空格   
if re.findall('[\x80-\xff].', s):    #s为中文   
   s = s.translate(identify, delCStr)   
   print s   
else: #s为英文   
    print s

当然,首先是要import string和re(这里需要正则表达式功能)。

delEStr是一个包含英文标点符号和数字的字符串,就如 ‘(){}<>1234 ‘ 这样。delCStr是一个包含中文标点符号的字符串。s是一个测试字符串。

12行的功能就是把s中的英文标点符号都删除。下面一句是关键:

python 代码
  1. re.findall(‘[\x80-\xff].’, s)

这行代码将返回一个list,如果s中包含中文,则返回一个包含每个汉字的非空的list,如果s中不包含中文,则返回一个空list(即[ ])。

第14行要删除这个含中文的字符串中的中文标点符号。

运行这段程序,打印出来的是“中华人民共和国北”,“京”呢?不见了。这就是python让人头疼的地方。错误出在第14行,可能原因是“京”的unicode编码和某两个相邻标点的组合编码相同了。我现在还没找到好的解决办法

这段代码最主要的应用就是translate和findall两个函数,不过在使用translate函数之前要构造一个identify,就像第5行代码那样。

出现了问题是好事,它可以促使自己更加深入的去学习,并且现在处于学习阶段,多遇到问题毕竟是好事,继续学习ing….

字符串处理的相关链接

python 中字符串大小写转换

python 对string去掉标点符号

Python maketrans()方法

 

网站的维护离不开大家的支持鼓励,捐赠让我更有动力走的更远&& 也可以关注我的微信公众号,发布更多的干货
本文网址:https://www.168seo.cn/python/1955.html

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址