python用正则表达式提取/匹配中文汉字
作者：一位代码
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,下面这篇文章主要给大家介绍了关于python用正则表达式提取/匹配中文汉字的相关资料,需要的朋友可以参考下
python用正则表达式提取中文
Python re正则匹配中文，其实非常简单，把中文的unicode字符串转换成utf-8格式就可以了，然后可以在re中随意调用
unicode中中文的编码为/u4e00-/u9fa5，因此正则表达式u”[\u4e00-\u9fa5]+”可以表示一个或者多个中文字符
>>> import re
>>> s='中文：123456aa哈哈哈bbcc'.decode('utf8')
>>> s
u'\u4e2d\u6587\uff1a123456aa\u54c8\u54c8\u54c8bbcc'
>>> print s
中文：123456aa哈哈哈bbcc
>>> re.match(u"[\u4e00-\u9fa5]+",s)
<_sre.SRE_Match object at 0xb77742c0>
>>> pat='中文'.decode("utf8")
>>> re.search(pat,s)
<_sre.SRE_Match object at 0x16a16df0>
>>> newpat='这里是中文内容'.decode("utf8")
>>> news=re.sub(pat,newpat,s)
>>> print news这里是中文内容：123456aa哈哈哈bbcc
python正则如何匹配中文汉字
正则表达式匹配中文汉字，在实际应用中十分常见。
比如：爬虫网页文本提取、验证用户输入标准等。
以下面文本字符串为例，匹配出astr这个字符串中的所有汉字。
import re astr = '''aaaaa何时when 杖尔看see南雪snow，我me与梅花plum blossom两白头'''
下面介绍两种方法（本文环境为python3）
一、使用Unicode编码来匹配中文
常见的中文Unicode编码范围：\u4e00-\u9fa5
实现匹配代码：re.findall(’[\u4e00-\u9fa5]’, astr)
import re
astr = '''aaaaa何时when 杖尔看see南雪snow，我me与梅花plum blossom两白头'''
res = re.findall('[\u4e00-\u9fa5]', astr)
print(res)
匹配结果：
二、直接使用中文汉字实现中文匹配
没使用过可能还真不知道，中文匹配还可以这样
实现匹配代码：re.findall(’[一-龥]’, astr)
import re
astr = '''aaaaa何时when 杖尔看see南雪snow，我me与梅花plum blossom两白头'''
res = re.findall('[一-龥]', astr)
print(res)
匹配结果：
注：其实这里“一”对应的Unicode编码就是“\u4e00”,“龥”（yù）对应的Unicode编码就是“\u9fa5”。
常见非英文字符Unicode编码范围：
u4e00-u9fa5 (中文)
u0800-u4e00 (日文)
uac00-ud7ff（韩文）
总结
到此这篇关于python用正则表达式提取/匹配中文汉字的文章就介绍到这了,更多相关python正则提取匹配中文内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！