Regex -负查找以匹配任何非中文UTF字符的字符串。

Question

意图

若要创建一个正则表达式，在有任何字符、ASCII、Unicode或其他字符时创建匹配，该正则表达式不属于任何有效的中文字符UTF-8范围。比赛本身并不重要，而是非汉字的存在。请注意，在UTF-8字符集中存在罕见的、未使用的汉字也是有意的。函数在没有匹配时返回None，因此指示传入的字符串是纯Unicode中文给调用方函数。

代码

Python 3.8

chineseRegexSet = "[\u4E00-\u9FFF]|[\u3400-\u4BDF]|[\u20000-\u2A6DF]|[\u2A700-\u2B73F]|[\u2B740-\u2B81F]|[\u2B820-\u2CEAF]|[\uF900-\uFAFF]|[\u2F800-\u2FA1F]"
def ContainsNonChineseCharacters(hanziWord):
    #negative lookahead
    match = search("(?!" + chineseRegexSet + ")+", hanziWord)
    if match:
        if _DEBUG:
            PrintDebugError(hanziWord)
            PrintDebugError(hanziWord, utfEncode=True)
    else:
        _LOGGER.debug(hanziWord)
        if _DEBUG:
            PrintDebug(hanziWord)
            PrintDebug(hanziWord, utfEncode=True)

    return match

Regex解决方案

Interpretation：任何非中文字符都可以。前瞻性设置，至少一次

(?![\u4E00-\u9FFF]|[\u3400-\u4BDF]|[\u20000-\u2A6DF]|[\u2A700-\u2B73F]|[\u2B740-\u2B81F]|[\u2B820-\u2CEAF]|[\uF900-\uFAFF]|[\u2F800-\u2FA1F])+

Interpretation：来自任意UTF集的任何非奇异汉字

(?![\u4E00-\u9FFF]+|[\u3400-\u4BDF]+|[\u20000-\u2A6DF]+|[\u2A700-\u2B73F]+|[\u2B740-\u2B81F]+|[\u2B820-\u2CEAF]+|[\uF900-\uFAFF]+|[\u2F800-\u2FA1F]+)*

测试用例

Case预期结果

大家好 0匹配

00你是谁 >=1匹配

s%%2 >=1匹配

你Привет >=1匹配

谢谢你抽出时间！

Answer 1

首先，\u20000并不是你所认为的那样。因为\u序列必须有4位长，这是指U+2000和数字0。对于0xFFFF以上的字符，Python提供\U，它必须后面紧跟8位数字(例如\U00020000)。

第二，

[A-B]|[C-D]|...

最好写成

[A-BC-D...]

通过上述修正和上述简化，我们有以下几点：

[\u3400-\u4BDF\u4E00-\u9FFF\uF900-\uFAFF\U00020000-\U0002A6DF\U0002A700-\U0002B73F\U0002B740-\U0002B81F\U0002B820-\U0002CEAF\U0002F800-\U0002FA1F]

解决这个问题有两种方法：

1. 字符串是否只包含该类中的字符？ is_just_han =re.search(“^.*$”，str) #或regex.search
2. 字符串是否包含来自该类外部的字符？ is_just_han =非re.search(“^.”，str) #或regex.search

如果使用regex模块而不是re模块，则可以访问\p{Han} (\p{Script=Han}的缩写)及其否定\P{Han} (\P{Script=Han}的缩写)。此Unicode属性与您要匹配的字符是紧密匹配的。我会让你决定它是否适合你。

is_just_han = regex.search("^\p{Han}*$", str)

is_just_han = regex.search("\P{Han}", str)