Python使用re正则表达式分割中英文混合字符串

核心原理：利用Unicode范围匹配

在Python中处理中英文混合文本时，核心在于利用正则表达式识别不同字符的Unicode编码范围。以下是常用的匹配规则：

• \u4e00-\u9fa5：匹配所有中文字符。
• \u0030-\u0039：匹配数字。
• \u0041-\u5a：匹配大写字母。
• \u0061-\u007a：匹配小写字母。

基础示例：提取中英文

若目标是将字符串中的中文和英文分别提取出来，可以使用 re.findall() 函数。该函数会返回所有匹配的子串列表。

import re 
s = 'alibaba阿里巴巴' # 待分割字符串
en_letter = '[\u0041-\u5a|\u0061-\u007a]+' # 大小写英文字母
zh_char = '[\u4e00-\u9fa5]+' # 中文字符 

print(re.findall(zh_char,s) + re.findall(en_letter,s))

# 输出： ['阿里巴巴', 'alibaba']

上述代码首先匹配所有中文字符，再匹配所有英文单词，最后将两个列表合并。这种方法简单直接，适用于只需提取内容而无需保留标点符号的场景。

进阶处理：复杂混合字符串分割

在实际应用中，待切分的句子往往包含中英文、数字以及标点符号。我们需要一种更复杂的逻辑，使得中文按字断开，英文按单词分开，而数字和标点符号则作为分隔符处理。

实现步骤

1. 定义正则规则：使用 re.compile() 编译正则表达式。这里使用 [\W]* 匹配除单词字符（字母、数字、下划线）和中文外的任意字符串，作为分割依据。
2. 处理中文：针对中文部分，使用 r"([\u4e00-\u9fa5])" 进行匹配。注意，中文通常按字分割，因此需要将中文单字单独提取。
3. 遍历与过滤：遍历分割后的结果，去除空字符串，最终得到纯净的词列表。

完整代码示例

import re
def get_word_list(s1):
  # 把句子按字分开，中文按字分，英文按单词，数字按空格
  regEx = re.compile('[\\W]*')  # 我们可以使用正则表达式来切分句子，切分的规则是除单词，数字外的任意字符串
  res = re.compile(r"([\u4e00-\u9fa5])")  # [\u4e00-\u9fa5]中文范围
  p1 = regEx.split(s1.lower())
  str1_list = []
  for str in p1:
    if res.split(str) == None:
      str1_list.append(str)
    else:
      ret = res.split(str)
      for ch in ret:
        str1_list.append(ch)
  list_word1 = [w for w in str1_list if len(w.strip()) > 0] # 去掉为空的字符
  return list_word1
if __name__ == '__main__':
  s = "12、China's Legend Holdings will split its several business arms to go public on stock markets, the group's president Zhu Linan said on Tuesday.该集团总裁朱利安周二表示，haha中国联想控股将分拆其多个业务部门在股市上市。"
  list_word1=get_word_list(s)
  print(list_word1)

结果分析

运行上述代码，处理包含中英文及标点符号的长句时，切分结果列表将包含数字、英文单词和单字。例如，输入字符串中的“China's”会被识别为英文单词，“中国”会被拆分为“中”和“国”，而标点符号如“、”和“。”则被过滤掉。这种方法能够灵活应对复杂的文本处理需求。

以上就是Python通过re正则表达式切割中英文混合字符串的详细内容，更多关于Python字符串处理与正则表达式应用资料请关注本站其它相关文章！