正则表达式匹配中文时发现的问题

分手后的思念是犯贱 2022-02-12 16:17 274阅读 0赞

大家使用正则表达式匹配中文时，常用 **\[\\u4e00-\\u9fa5\]** ，但有时使用 \[\\u4e00-\\u9fa5\] 匹配汉字时，发现有的汉字匹配不到，如：

㸌如
    㔩叶

使用Python3测试：

r = '[^\u4e00-\u9fa5]'					#非汉字
    for i in words:
    	word = re.sub(r, '', i)				#替换掉非汉字
    	if len(word) == 1:					
    		print('"{0}"变成了"{1}"'.format(i, word))

结果为：

"㸌如"变成了"如"
    "㔩叶"变成了"叶"

这是为什么呢？下面是几个主要的非英文语系字符范围：

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，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。

如果将字符范围扩大为 \\u4e00-\\u9fff 会如何呢？

r = '[^\u4e00-\u9fff]'					
    for i in words:
    	word = re.sub(r, '', i)				
    	if len(word) == 1:					
    		print('"{0}"变成了"{1}"'.format(i, word))

结果还是：

"㸌如"变成了"如"
    "㔩叶"变成了"叶"

继续扩大字符范围为 \\u3400-\\u9fa5：

r = '[^\u3400-\u9fa5]'					
    for i in words:
    	word = re.sub(r, '', i)				
    	if len(word) == 1:					
    		print('"{0}"变成了"{1}"'.format(i, word))

这次终于匹配到了，结果为：

"㸌如"变成了"㸌如"
    "㔩叶"变成了"㔩叶"

这说明 “㸌” 和 “㔩” 两个字不在 4E00～9FFFh 范围内，而在 3400～4DFFh 范围中，所以，在使用 \[\\u4e00-\\u9fa5\] 匹配中文结果不正确时，可以扩大匹配范围尝试。