最新消息:

[转]用正则表达式匹配汉字,完整总结

学习 林夕 72浏览 0评论

提到用正则表达式匹配汉字,很容易搜到这个[\u4e00-\u9fa5],但是它不算全面,不包含一些生僻汉字。

本文对此问题做一个梳理。

以下是比较全面的汉字Unicode分布,参考Unicode 10.0标准(2017年6月发布):

区块 范围 实际汉字个数/
备注
正则式
CJK统一汉字 4E00-62FF, 6300-77FF,

7800-8CFF, 8D00-9FFF.

20,971
常见
[\u4E00-\u9FFF] 或

[一-?]

CJK统一汉字扩展A区 3400-4DBF. 6,582
罕见
[\u3400-\u4DBF]
CJK统一汉字扩展B区 20000-215FF, 21600-230FF,

23100-245FF, 24600-260FF,

26100-275FF, 27600-290FF,

29100-2A6DF.

42,711
罕见,历史
[\U00020000-\U0002A6DF]
CJK统一汉字扩展C区 2A700-2B73F. 4,149
罕见,历史
[\U0002A700-\U0002B73F]
CJK统一汉字扩展D区 2B740–2B81F. 222
不常见,仍在使用
[\U0002B740-\U0002B81F]
CJK统一汉字扩展E区 2B820–2CEAF. 5,762
罕见,历史
[\U0002B820-\U0002CEAF]
CJK统一汉字扩展F区 2CEB0-2EBEF. 7,473
罕见,历史
[\U0002CEB0-\U0002EBEF]
CJK兼容汉字 F900–FAFF. 472
重复、可统一变体、公司定义
?[\uF900-\uFAFF]
CJK兼容汉字增补 2F800-2FA1F. 542
可统一变体
[\U0002F800-\U0002FA1F]

如果想表示最普遍的汉字,用:

[\u4E00-\u9FFF] 或 [一-鿆]

共有20950个汉字,包括了常用简体字和繁体字,镕等字。

基本就是GBK的所有(21003个)汉字。也包括了BIG5的所有(13053个)繁体汉字。

一般情况下这个就够用了。

说明:

仅仅未包括出现在GBK里的CJK兼容汉字的21个汉字:郎凉秊裏隣兀嗀﨎﨏﨑﨓﨔礼﨟蘒﨡﨣﨤﨧﨨﨩

CJK兼容汉字用于转码处理,日常中是用不到的,所以不包括也没什么问题。

注意此凉非彼凉,兀也不是常用的那个,虽然用眼睛看是一样的,参见 http://www.zhihu.com/question/20697984

 

如果想表示BMP之内的汉字,也就是Unicode值<=0xFFFF之内的所有汉字,用:

[\u4E00-\u9FFF\u3400-\u4DBF\uF900-\uFAFF]

这个包含但不限于GBK定义的汉字,共有28025个汉字。

说明:

和上面相比,主要是多了CJK统一汉字扩展A区,这是1999年收录到Unicode 3.0标准里的6,582个汉字。

CJK统一汉字扩展A区,包括了东亚各地区(陆港台日韩新越)的汉字,有很多康熙字典的繁体字。

 

如果想尽可能表示所有的汉字,用:

[\u4E00-\u9FFF\u3400-\u4DBF\uF900-\uFAFF\U00020000-U0002EBEF]

这个包含上表的所有88342个汉字

 

说明:

1, 以上正则表达式不会匹配(英文、汉字的)标点符号,不会匹配韩国拼音字、日本假名。

2, 会匹配一些日本、韩国独有的汉字。

3, 包含了一些没有汉字的空位置,这通常不碍事。

4, \u及\U的正则语法在Python 3.5上测试通过。

有些正则表达式引擎不认\uFFFF和\UFFFFFFFF这样的语法,可以换成\x{FFFF}试一下;有些不支持BMP之外的范围,这就没办法处理CJK统一汉字扩展B~E区了,如notepad++。

转载自: https://www.cnblogs.com/animalize/p/5432864.html

转载请注明:一秒钟的梦 » [转]用正则表达式匹配汉字,完整总结

发表我的评论
取消评论

表情

Hi,您需要填写昵称和邮箱!

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址