Python正则如何匹配中文字符？完整解决方案-Python教程-PHP中文网

Python正则如何匹配中文字符？完整解决方案

看不見的法師

发布： 2025-06-27 23:40:02

原创

336人浏览过

匹配中文字符在python正则表达式中最可靠的方式是使用unicode编码范围。1. 常用汉字可通过[\u4e00-\u9fff]匹配；2. 若需包含扩展a区汉字，则使用[\u3400-\u4dbf]；3. 对于扩展b区等生僻字，标准re模块不支持，需使用第三方regex库，并采用[\p{script=han}]写法。此外，应注意编码格式为utf-8、避免误匹配标点、优化性能及结合其他规则使用。

Python正则如何匹配中文字符？完整解决方案

匹配中文字符在Python正则表达式中其实是一个挺常见的需求，比如做文本清洗、关键词提取或者数据验证时都可能会用到。直接说重点：使用 Unicode 编码范围来匹配中文字符是最可靠的方式。

一、中文字符的Unicode范围

中文字符主要分布在几个Unicode块中，最常见的包括：

\u4e00-\u9fff：常用汉字（包含简体和繁体）
\u3400-\u4dbf：扩展A区汉字
\U00020000-\U0002a6df：扩展B区汉字（这部分需要启用正则的“完整模式”或使用第三方库如 regex）

所以，最基础也是最常用的写法是：

立即学习“Python免费学习笔记（深入）”；

import re
pattern = r'[\u4e00-\u9fff]+'
text = "你好，世界！Hello World"
matches = re.findall(pattern, text)
print(matches)  # 输出 ['你好', '世界']

登录后复制

如果你只需要处理常见中文，只用 \u4e00-\u9fff 就够用了。

二、如何匹配所有中文字符（含生僻字）

如果你要处理古籍、专业文献或者用户可能输入生僻字的情况，就需要考虑扩展区了。

标准的 re 模块不支持 \U00020000-\U0002a6df 这类高位 Unicode 字符，这时候可以换用 Python 的第三方正则模块 regex：

pip install regex

登录后复制

然后这样写：

import regex as re
pattern = r'[\p{Script=Han}]+'
text = "你好abc龘龘"
matches = re.findall(pattern, text)
print(matches)  # 输出 ['你好', '龘龘']

登录后复制

这里 \p{Script=Han} 表示匹配所有属于“汉字书写系统”的字符，包括各种扩展区的生僻字。

三、注意事项与常见问题

避免误匹配标点符号：中文里经常混杂全角标点，比如 “，。《》【】” 等等。如果你只想提取纯汉字，这些不属于 \u4e00-\u9fff 范围，不会被匹配到。
注意编码格式：确保你的源文件或输入文本是 UTF-8 编码，否则可能出现乱码或匹配失败。
性能优化：如果处理的是大文本，尽量使用 finditer 替代 findall，减少内存占用。
结合其他规则使用：例如想匹配“中文+数字”的组合，可以写成：
```
pattern = r'[\u4e00-\u9fff]+\d+'
```
登录后复制