正则匹配中文
Posted wukejia
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了正则匹配中文相关的知识，希望对你有一定的参考价值。
背景：项目要做国际化需求，要有中英文切换功能，所以我需要找到代码中所有包含的中文。
原理：很简单，中文在unicode 和 utf-8里都有一定的编码范围，所以我们只需要找出编码最小和最大的中文即可。
幸运的是中文在unicode 和 utf-8里编码的顺序是相同的（注：gbk编码是以拼音顺序编码的，所以如果文件时gbk编码需要先对编码进行转换）。
最小编码：一（u4e00）
最大编码：龥（u9fa5）
命令：egrep -nR ‘[一-龥]+‘ * --color
附上python代码：
import re str=‘‘‘ 汉字文字 1234567890 abcdefghijklmnopqrstuvwxyz [email protected]#$%^&*()[]{};:"‘<>,.?/|~ ` ‘‘‘ ret1 = re.findall(u‘[u4e00-u9fa5]+‘,str.decode(‘utf-8‘)) print ret1[0] ret2 = re.findall(r‘[一-龥]+‘,str) print ret2[0]