![](/img/trans.png)
[英]How to check if a string contains a specific character or not in python
[英]Python: Check if a string contains chinese character?
這可能是一個字符串
ipath= "./data/NCDC/上海/虹橋/9705626661750dat.txt"
或這個
ipath = './data/NCDC/ciampino/6240476818161dat.txt'
我怎么知道第一個字符串包含中文 ?
我發現這個答案可能有用: 使用Python和Regex查找字符串中的所有中文文本
但它沒有成功:
import re
ipath= "./data/NCDC/上海/虹橋/9705626661750dat.txt"
re.findall(ur'[\u4e00-\u9fff]+', ipath) # => []
匹配的字符串也應該是unicode
>>> import re
>>> ipath= u"./data/NCDC/上海/虹橋/9705626661750dat.txt"
>>> re.findall(r'[\u4e00-\u9fff]+', ipath)
[u'\u4e0a\u6d77', u'\u8679\u6865']
如果您只想知道字符串中是否有中文字符,則不需要re.findall
,請使用re.search
以及匹配對象的事實是真實的。
>>> import re
>>> ipath= u'./data/NCDC/上海/虹橋/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/虹橋/9705626661750dat.txt
對於我們這些不關心re
:
>>> ipath= u"./data/NCDC/上海/虹橋/6240476818161dat.txt"
>>> for i in range(len(ipath)):
... if ipath[i] > u'\u4e00' and ipath[i] < u'\u9fff':
... print ipath[i]
...
上
海
虹
橋
編輯:對於完整的中文字符列表,此SO鏈接值得查看,因為范圍U + 4E00..U + 9FFF未完成。 Unicode中的漢字完整范圍是什么?
import re
ipath= raw_input()
print re.findall(ur'[\u4e00-\u9fff]+', ipath.decode("utf-8"))
輸出: ./data/NCDC/上海/虹橋/9705626661750dat.txt [u'\上\海', u'\虹\橋']
您需要解碼輸入以使其成為unicode。
要么
import re
ipath= unicode(raw_input(),encoding="utf-8")
print re.findall(ur'[\u4e00-\u9fff]+', ipath)
''
是Python 2上的字節from __future__ import unicode_literals
。要么在模塊頂部添加from __future__ import unicode_literals
,要么使用unicode文字: u''
:
>>> import re
>>> ipath= u"./data/NCDC/上海/虹橋/9705626661750dat.txt"
>>> re.findall(ur'[\u4e00-\u9fff]+', ipath)
[u'\u4e0a\u6d77', u'\u8679\u6865']
使用這些代碼點范圍 ,我們可以編寫一個is_cjk
函數:
# 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
然后我們可以使用它來處理文本,使用filter
, any
, all
和map
等函數來逐個字符地處理文本,或者組成更復雜的函數:
txt = "./data/NCDC/上海/虹橋/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)) # '上海虹橋'
請注意,CJK范圍不僅包括中文字符,還包括韓文和日文字符。 要獲得更復雜的用法,請嘗試使用像cjklib
這樣的專用庫。
在python 3.6中我使用了這個
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
根據這個問題 ,范圍應該是[\⺀-\⿕\㆐-\㆟\㐀-\䶿\一-\鿌]
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.