Question

字符串可能是

ipath= "./data/NCDC/上海/虹桥/9705626661750dat.txt"

或者

ipath = './data/NCDC/ciampino/6240476818161dat.txt'

我如何知道第一个字符串包含中文？

我觉得这个答案可能有帮助： Find all Chinese text in a string using Python and Regex

但它没有成功：

import re
ipath= "./data/NCDC/上海/虹桥/9705626661750dat.txt"
re.findall(ur'[\u4e00-\u9fff]+', ipath) # => []

Answer 1

匹配的字符串也应该是unicode

>>> import re
>>> ipath= u"./data/NCDC/上海/虹桥/9705626661750dat.txt"
>>> re.findall(ur'[\u4e00-\u9fff]+', ipath)
[u'\u4e0a\u6d77', u'\u8679\u6865']

Answer 2

如果您只是想知道字符串中是否有中文字符，您不需要apiKey: `42452-eofefo-4534535` (optional) Content-Type: application/json Content-Encoding: gzip (optional)，请使用re.findall以及匹配对象的事实是真实的。

re.search

Answer 3

对于我们这些不关心re的人：

>>> ipath= u"./data/NCDC/上海/虹桥/6240476818161dat.txt"
>>> for i in range(len(ipath)):
...  if ipath[i] > u'\u4e00' and ipath[i] < u'\u9fff':
...   print ipath[i]
... 
上
海
虹
桥

编辑：对于完整的中文字符列表，此SO链接值得查看，因为范围U + 4E00..U + 9FFF未完成。 What's the complete range for Chinese characters in Unicode?

Answer 4

import re
ipath= raw_input()
print re.findall(ur'[\u4e00-\u9fff]+', ipath.decode("utf-8"))

输出：./data/NCDC/上海/虹桥/9705626661750dat.txt [u'\u4e0a\u6d77', u'\u8679\u6865']

您需要解码输入以使其成为unicode。

或

 import re
 ipath= unicode(raw_input(),encoding="utf-8")
 print re.findall(ur'[\u4e00-\u9fff]+', ipath)

Answer 5

''是Python 2上的字节字符串。要么在模块顶部添加from __future__ import unicode_literals，要么使用unicode文字：u''：

>>> import re
>>> ipath= u"./data/NCDC/上海/虹桥/9705626661750dat.txt"
>>> re.findall(ur'[\u4e00-\u9fff]+', ipath)
[u'\u4e0a\u6d77', u'\u8679\u6865']

Answer 6

使用these codepoint ranges，我们可以编写一个is_cjk函数：

# list of cjk codepoint ranges
# tuples indicate the bottom and top of the range, inclusive
cjk_ranges = [
        ( 0x4E00,  0x62FF),
        ( 0x6300,  0x77FF),
        ( 0x7800,  0x8CFF),
        ( 0x8D00,  0x9FCC),
        ( 0x3400,  0x4DB5),
        (0x20000, 0x215FF),
        (0x21600, 0x230FF),
        (0x23100, 0x245FF),
        (0x24600, 0x260FF),
        (0x26100, 0x275FF),
        (0x27600, 0x290FF),
        (0x29100, 0x2A6DF),
        (0x2A700, 0x2B734),
        (0x2B740, 0x2B81D),
        (0x2B820, 0x2CEAF),
        (0x2CEB0, 0x2EBEF),
        (0x2F800, 0x2FA1F)
    ]

def is_cjk(char):
    char = ord(char)
    for bottom, top in cjk_ranges:
        if char >= bottom and char <= top:
            return True
    return False

然后我们可以使用它们来处理文本，使用filter，any，all和map之类的函数来逐字符处理文本，或者组成更复杂的功能：

txt = "./data/NCDC/上海/虹桥/9705626661750dat.txt"
txt_sanitized = "./data/NCDC/9705626661750dat.txt"
any(map(is_cjk, txt)) # True
any(map(is_cjk, txt_sanitized)) # False
''.join(filter(is_cjk, txt)) # '上海虹桥'

请注意，CJK范围不仅将包括中文字符，而且还可能包括韩文和日文字符。对于更复杂的用法，请尝试使用专用的库，例如cjklib。

Answer 7

在python 3.6中我使用了这个

def find_china_symbols(text):
"""

:param text: input text with wrong symbols
:return: True if incorrect char exists in text
"""

for char in text:
    if ord(char) > 10000:
        print(char, ': ', ord(char))
        return True

Answer 8

根据this question，范围应为[\u2E80-\u2FD5\u3190-\u319f\u3400-\u4DBF\u4E00-\u9FCC]

Python：检查字符串是否包含中文字符？

8 个答案: