python汉字正则
1. python正则表达式中\w居然能匹配汉字，请问是怎么一回事
\w匹配的是能组成单词的字符，在python3 中re默认支持的是unicode字符集，当然也支持汉字
如果要让\w仅支持英文，加个re.A标志
print(re.findall(r"\w",s,re.A))
这样就不会匹配汉字了
2. python，用正则表达式匹配特定汉字
在Python的string前面加上‘r’， 是为了告诉编译器这个string是个raw string，不要转意backslash '\' 。 例如，\n 在raw string中，是两个字符，\和n， 而不会转意为换行符。由于正则表达式和 \ 会有冲突，因此，当一个字符串使用了正则表达式后，最好在前面加上'r'。
在[]中
-长用来指定一个字符集，在这个字符集中的一个可以拿来匹配：[abc] [a-z]
-元字符在在字符集中不起作用
-在[]内用^表示补集，用来匹配不在区间范围内的字符
s=r'aba' 匹配abc
s=r't[io]p' 匹配tip或者top
s=r't[a-z0-9A-Z]'匹配t+0-9或者a-z或者A-Z
[abc]表示“a”或“b”或“c”
[0-9]表示0~9中任意一个数字，等价于[0123456789]
[\u4e00-\u9fa5]表示任意一个汉字
[^a1<]表示除“a”、“1”、“<”外的其它任意一个字符
[^a-z]表示除小写字母外的任意一个字符
3. python怎么用正则表达式提取中文
Python re正则匹配中文，其实非常简单，把中文的unicode字符串转换成utf-8格式就可以了，然后可以在re中随意调用
unicode中中文的编码为/u4e00-/u9fa5，因此正则表达式u”[\u4e00-\u9fa5]+”可以表示一个或者多个中文字符
>>> import re
>>> s='中文：123456aa哈哈哈bbcc'.decode('utf8')
>>> s
u'\u4e2d\u6587\uff1a123456aa\u54c8\u54c8\u54c8bbcc'
>>> print s
中文：123456aa哈哈哈bbcc
>>> re.match(u"[\u4e00-\u9fa5]+",s)
<_sre.SRE_Match object at 0xb77742c0>
>>> pat='中文'.decode("utf8")
>>> re.search(pat,s)
<_sre.SRE_Match object at 0x16a16df0>
>>> newpat='这里是中文内容'.decode("utf8")
>>> news=re.sub(pat,newpat,s)
>>> print news
这里是中文内容：123456aa哈哈哈bbcc
from:http://blog.aizhet.com/web/12078.html
4. python编程语言中的正则表达式求解
正则式：(.*?)<(/?w+)[^>]*>(?:([^<]*)(<.*>)?)?
(.*?)
这里的.*代表任意长度的字符，后面的?表明这是一个非贪婪匹配，()作用是捕获匹配的文本；
<(/?w+)[^>]*>
<先匹配一个“<”；
(/?w+)“/?”将匹配0个或一个“/”，“w+”匹配1个以上的字母或数字或下划线或汉字；
[^>]*中括号内将匹配除>以外的任何字符，*表示允许这样的字符出现0次或任意多次；
>最后匹配一个“>”；
这几个部分连起来看，将匹配任何的HTML头标签与尾标签，如<div>或</div>或<br />。
(?:([^<]*)(<.*>)?)?
(?:exp)?这个结构是匹配exp语句0次或1次，这里的exp就是([^<]*)(<.*>)?
([^<]*) 与2中类似，将匹配除<以外的任何字符0次或任意多次；
(<.*>)? 匹配以<开头，以>结尾的任何字符串；
所以最终的意思是，匹配连续两个HTML标签（头标签或尾标签）及其中间的内容。
5. python 正则匹配中文问题
list打印是这样的，这是python的系统行为，改变不了。
如果不想用循环，可以用 print(u"\n".join(items))
6. python正则匹配汉字
#python2使用如下即可：
#encoding:UTF-8
importre
importsys
reload(sys)
sys.setdefaultencoding('utf-8')
defextract_number(input):
match=re.search(u"[u4e00-u9fa5]+",input)
returnmatch.group()
if__name__=="__main__":
printextract_number(unicode("dss2第三季度建安大sdssd43fds",'utf8'))#python3使用如下:
#encoding:UTF-8
importre
defextract_number(input):
match=re.search("[u4e00-u9fa5]+",input)
returnmatch.group()
if__name__=="__main__":
print(extract_number("dss2第三季度建安大sdssd43fds"))
7. python怎么用正则表达式提取中文
1、字符串line='ufeffD0002044x01大数据x01数据分析x01技术x01工具x01应用
'
想提取出其中的“大数据”，“数据分析”，“技术”，“工具”，“应用”这些中文，用了正则表达式：
>>>pat2='x01(.*?)'
>>>rs=re.compile(pat2).findall(line)
>>>print(rs)
['','','','','']
显示的结果是空，请问如何才能正确的提出中文部分。
2、原文： 法规名称:'《中华人民共和国合同法》',Items:[{法条名称:'第五十二条'
匹配成： 《中华人民共和国合同法》第五十二条
(?<=法规名称:').*?（',Items:[{法条名称:'）.*?(?=') 请问这样匹配哪里错了？Python报sre_constants.error: unterminated character set at position 22
3、Python re正则匹配中文，其实非常简单，把中文的unicode字符串转换成utf-8格式就可以了，然后可以在re中随意调用
unicode中中文的编码为/u4e00-/u9fa5，因此正则表达式u”[u4e00-u9fa5]+”可以表示一个或者多个中文字符
>>> import re
>>> s='中文：123456aa哈哈哈bbcc'.decode('utf8')
>>> s
u''
>>> print s
中文：123456aa哈哈哈bbcc 。
8. 更强大的python正则表达式模块 -- regex
python内置的正则表达库re比较弱，而且似乎在好几年里都没太大的变化。
这里介绍这个python模块regex,实现了更多方便好用的功能。
比如： p{han} 可以匹配汉字， p{Latin} 可以匹配拉丁字母。相当简单,易记易用。
更多的介绍请直接看： https://pypi.python.org/pypi/regex
用pip 命令安装即可
regex的源码托管在这里 ： https://bitbucket.org/mrabarnett/mrab-regex/
参考资料:
http://www.regular-expressions.info/unicode.html
2017-1-28 1:32:59 codegay
9. Python re函数 中文正则匹配
建议使用以下正则表达式：
(?<=>)[^a-zA-Z0-9_]+(?=<)
前面的 (?<=>) 和后面的 (?=<) ，使得匹配出现在> . . . < 之间；
[^a-zA-Z0-9_]+ 排除对英文数字下划线的匹配，可根据具体情况作变动。