字符串可能是这个
ipath= "./data/NCDC/上海/虹桥/9705626661750dat.txt"
或者这个
ipath = './data/NCDC/ciampino/6240476818161dat.txt'
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:使用Python和Regex 查找字符串中的所有中文文本
但没有成功:
import re
ipath= "./data/NCDC/上海/虹桥/9705626661750dat.txt"
re.findall(ur'[u4e00-u9fff]+', ipath) # => []
匹配的字符串应该是unicode和
>>> import re
>>> ipath= u"./data/NCDC/上海/虹桥/9705626661750dat.txt"
>>> re.findall(r'[u4e00-u9fff]+', ipath)
[u'u4e0au6d77', u'u8679u6865']
如果您只想知道字符串中是否有不需要re.findall
的汉字,请使用re.search
以及匹配对象是真实的。
>>> import re
>>> ipath= u'./data/NCDC/上海/虹桥/9705626661750dat.txt'
>>> ipath2 = u'./data/NCDC/ciampino/6240476818161dat.txt'
>>> for x in (ipath, ipath2):
... if re.search(u'[u4e00-u9fff]', x):
... print 'found chinese character in ' + x
...
found chinese character in ./data/NCDC/上海/虹桥/9705626661750dat.txt
将p{Han}
正则表达式与PyPi regex
:一起使用
import regex
ipath = "./data/NCDC/上海/虹桥/9705626661750dat.txt"
print(regex.findall(r'p{Han}+', ipath) )
# => ['上海', '虹桥']
请参见Python验证。
regex.search
足以检测:
if regex.search(r'p{Han}', ipath):
print(f'"{ipath}" contains Chinese!')
对于我们这些不关心re
:的人来说
>>> 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,这个SO链接值得一看,因为范围U+4E00..U+9FFF不完整。什么';Unicode中的汉字有哪些?
使用这些代码点范围,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来处理文本,使用filter
、any
、all
和map
等函数逐个处理文本,或者组成更复杂的函数:
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范围不仅包括中文字符,还可能包括韩语和日语字符。对于更复杂的用法,请尝试cjklib
这样的专用库。
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'u4e0au6d77', u'u8679u6865']
您需要对输入进行解码,使其成为unicode。
或
import re
ipath= unicode(raw_input(),encoding="utf-8")
print re.findall(ur'[u4e00-u9fff]+', ipath)
''
是Python 2上的一个字节串。在模块顶部添加from __future__ import unicode_literals
,或者使用unicode文字:u''
:
>>> import re
>>> ipath= u"./data/NCDC/上海/虹桥/9705626661750dat.txt"
>>> re.findall(ur'[u4e00-u9fff]+', ipath)
[u'u4e0au6d77', u'u8679u6865']
根据这个问题,范围应该是[u2E80-u2FD5u3190-u319fu3400-u4DBFu4E00-u9FCC]