Python 正则匹配标签中的中文

﹏ヽ暗。殇╰゛Y 2022-12-16 13:07 202阅读 0赞

有如下内容：

text = '<div class="comment-content comment-content_new">测试</div> <div class="comment-content comment-content_new">学习正则</div>'

使用正则 匹配出所有的中文。

*  第一种

p = re.compile(r'([^x00-xff]*)\<\/div\>')
    
    for m in p.finditer(text):
        print(m.group(1))

# 打印结果：
    
    测试
    学习正则

这样就是比较的简单，直接是 匹配 `Ascii` 码大于 `255` 的那些字符`(包括中文符号)`。

*  第二种

res = re.findall(u"[\u4e00-\u9fa5]+", str(text))
    print(res)

# 打印结果：
    
    ['测试', '学习正则']

`\u4e00-\u9fa5` 是 `unicode` 编码的中文编码范围，用它来匹配中文也是非常的合适。

还可以在添加一些优化，使得可以匹配出中文的字符。

text = '<div class="comment-content comment-content_new">测试，。、【】、</div> <div class="comment-content comment-content_new">学习正则</div>'
    
    res = re.findall(u"[\u2000-\u206f\u3000-\u303f\u4e00-\u9fef\uff00-\uffef]+", str(text)
    
    print(res)

# 打印结果：
    
    ['测试，。、【】、', '学习正则']

# http://www.unicode.org/charts/PDF/U2000.pdf 一般标点
    # http://www.unicode.org/charts/PDF/U3000.pdf CJK符号和标点
    # http://www.unicode.org/charts/PDF/U4E00.pdf CJK统一表意文字
    # http://www.unicode.org/charts/PDF/UFF00.pdf 半宽全宽形状
    
    "[\u2000-\u206f\u3000-\u303f\u4e00-\u9fef\uff00-\uffef]*";

*  [参考博客：https://blog.csdn.net/qq\_36063562/article/details/95883863][https_blog.csdn.net_qq_36063562_article_details_95883863]
 *  [参考博客：https://blog.csdn.net/demonbug/article/details/83862059][https_blog.csdn.net_demonbug_article_details_83862059]

[https_blog.csdn.net_qq_36063562_article_details_95883863]: https://blog.csdn.net/qq_36063562/article/details/95883863
[https_blog.csdn.net_demonbug_article_details_83862059]: https://blog.csdn.net/demonbug/article/details/83862059