wake-up-neo.net

Python: prüfen Sie, ob ein String ein chinesisches Schriftzeichen enthält.

Eine Zeichenfolge vielleicht das

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

oder dieses

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

Woher weiß ich, dass der erste String chinese enthält?

Ich finde diese Antwort vielleicht hilfreich: Finde alle chinesischen Texte in einer Zeichenfolge mit Python und Regex

aber es hat nicht geklappt:

import re
ipath= "./data/NCDC/上海/虹桥/9705626661750dat.txt"
re.findall(ur'[\u4e00-\u9fff]+', ipath) # => []
pythonregexunicodepython-2.x
8
cqcn1991

Die übereinstimmende Zeichenfolge sollte ebenfalls Unicode sein

>>> import re
>>> ipath= u"./data/NCDC/上海/虹桥/9705626661750dat.txt"
>>> re.findall(ur'[\u4e00-\u9fff]+', ipath)
[u'\u4e0a\u6d77', u'\u8679\u6865']
9
xecgr

Wenn Sie nur wissen möchten, ob in Ihrer Zeichenfolge ein chinesisches Zeichen enthalten ist, benötigen Sie re.findall nicht. Verwenden Sie re.search und die Tatsache, dass übereinstimmende Objekte wahr sind.

>>> 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
5
timgeb

Und für diejenigen von uns, die sich nicht für re interessieren:

>>> 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

Bearbeiten: Für die vollständige Liste der chinesischen Zeichen sollte dieser SO -Link betrachtet werden, da der Bereich U + 4E00..U + 9FFF nicht vollständig ist. Was ist der komplette Bereich für chinesische Zeichen in Unicode?

5
Rolf of Saxony
import re
ipath= raw_input()
print re.findall(ur'[\u4e00-\u9fff]+', ipath.decode("utf-8"))

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

Sie müssen die Eingabe dekodieren, damit sie Unicode wird.

oder

 import re
 ipath= unicode(raw_input(),encoding="utf-8")
 print re.findall(ur'[\u4e00-\u9fff]+', ipath)
2
vks

'' Ist ein Bytestring für Python 2. Fügen Sie entweder from __future__ import unicode_literals Oben im Modul hinzu oder verwenden Sie Unicode-Literale: 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']
1
jfs

In Python 3.6 habe ich das verwendet

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
0
Максим Стукало

Gemäß dieser Frage sollte der Bereich [\u2E80-\u2FD5\u3190-\u319f\u3400-\u4DBF\u4E00-\u9FCC] sein

0
Kevin He

Mit diesen Codepunktbereichen können wir eine is_cjk-Funktion schreiben:

# 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

Damit können wir Text verarbeiten, indem Sie Funktionen wie filter, any, all und map verwenden, um den Text zeichenweise zu verarbeiten oder komplexere Funktionen zu erstellen:

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'

Beachten Sie, dass die CJK-Bereiche nicht nur chinesische, sondern auch koreanische und japanische Zeichen enthalten können. Versuchen Sie für eine komplexere Verwendung eine dedizierte Bibliothek wie cjklib .

0
9999years