Python 3.x 使用正则表达式提取中文字符的方法

从文本文件中提取中文

当需要处理包含中文内容的文本文件时，直接读取可能导致编码错误。因此，建议以二进制模式打开文件，并在逐行处理时进行 UTF-8 解码。以下是完整的处理流程：

1. 定义匹配规则：使用 [\u4e00-\u9fa5]+ 作为正则表达式，该范围覆盖了大部分常用汉字。
2. 文件读取：以 'rb' 模式打开文件，避免直接解码报错。
3. 逐行处理：遍历文件对象，对每一行执行 .decode('utf-8') 转换为字符串。
4. 正则匹配：利用 re.findall() 提取所有匹配的中文字符片段，并累加到结果列表中。

import re

# 定义中文匹配的正则表达式模式
d = r"[\u4e00-\u9fa5]+"

# 以二进制模式打开文件，防止编码错误
f = open('test.txt', 'rb')
L = []  # 用于存储提取到的中文字符列表

try:
    for i in f:  # 逐行遍历文件
        i = i.decode('utf-8')  # 将字节流解码为 UTF-8 字符串
        l = re.findall(d, i)   # 使用正则表达式查找所有中文片段
        L += l                 # 将结果合并到总列表中
finally:
    f.close()  # 确保文件关闭

print(L)

假设 test.txt 包含如下内容：

Hello world
China
你好，你好好
This is a txt File
s2f程序员杂志一2d3程序员杂志二2d3程序员杂志三2d3程序员杂志四2d3

运行上述代码后，L 将包含所有提取出的中文字符串，如 ['你好', '你好好', '程序员杂志一', '程序员杂志二', '程序员杂志三', '程序员杂志四']（具体结果取决于正则匹配逻辑对连续字符的处理）。

从给定字符串中提取中文

对于内存中的字符串，处理逻辑略有不同。由于正则表达式通常作用于字符串类型，若源数据为字节串，需先进行解码。此外，需注意字符串中可能包含非中文的混合内容。

1. 数据准备：若原始字符串为字节类型，需先编码再解码以模拟或确保 UTF-8 格式；若已是字符串，可直接处理。
2. 编译正则对象：使用 re.compile() 预编译正则表达式，提高重复匹配的效率。
3. 执行匹配：调用 findall() 获取所有匹配结果，并迭代打印。

import re

# 原始字符串
s = "s2f程序员杂志一2d3程序员杂志二2d3程序员杂志三2d3程序员杂志四2d3"

# 注意：原文示例中进行了 encode/decode 操作，
# 若 s 已是字符串，可直接使用。此处保留原文逻辑以展示字节处理：
# s_bytes = s.encode('utf-8')
# temp = s_bytes.decode('utf-8')
temp = s  # 直接使用字符串更简洁

# 编译正则表达式
pattern = r"[\u4e00-\u9fa5]+"
regex = re.compile(pattern)

# 执行匹配
results = regex.findall(temp)

# 遍历并输出结果
for result in results:
    print(result)

该示例展示了如何从混合了数字、英文和中文的字符串中，精准提取出连续的中文片段。通过 re.compile 预编译模式，可以在多次处理类似字符串时提升性能。

关键注意事项

• 编码处理：在 Python 3 中，文件读取涉及字节与字符串的转换。以二进制模式读取并手动解码是处理含中文文件的安全做法。
• 正则范围：[\u4e00-\u9fa5] 覆盖了基本汉字区，但可能不包含生僻字或扩展区汉字。如需更全面的中文支持，可能需要调整 Unicode 范围或使用其他库。
• 字符串类型：确保正则表达式作用于字符串类型（str），而非字节类型（bytes），除非明确使用字节正则。

以上就是 Python 3.x 使用正则表达式提取中文字符的详细内容，更多关于 Python 正则处理中文的资料请关注本站其它相关文章！