re.findall() 是 Python re (正则表达式) 模块中的一个核心函数，用于在字符串中查找所有匹配正则表达式的子串，并以列表的形式返回它们，处理中文的关键在于如何正确地写出匹配中文字符的正则表达式。
（图片来源网络，侵删）
核心问题：如何匹配中文字符？
在正则表达式中，中文字符通常属于 Unicode 字符集，最直接和常用的方法是使用 Unicode 属性来匹配汉字。
使用 \p{Han} (推荐，但需 regex 库)
\p{Han} 是一个 Unicode 属性，专门匹配所有汉字（包括简体中文和繁体中文），这是最标准、最准确的方法。
注意： Python 内置的 re 模块不完全支持 \p{...} 语法，你需要安装并使用第三方库 regex，它是 re 的超集，功能更强大，完全支持 Unicode 属性。
安装 regex 库：
（图片来源网络，侵删）
pip install regex
使用示例：
import regex # 注意，我们导入的是 regex 而不是 re
text = "你好，世界！Hello World! 这是一个测试 123。"
# 使用 \p{Han} 匹配所有中文字符
chinese_list = regex.findall(r'\p{Han}', text)
print(chinese_list)
# 输出: ['你', '好', '世', '界', '这', '是', '一', '个', '测', '试', '中']
\p{Han} 会精确匹配任何一个汉字，所以结果是一个单个字符的列表，如果你想匹配连续的汉字词语，可以加上 量词。
import regex
text = "你好，世界！这是一个关于Python和中文的测试。"
# 使用 \p{Han}+ 匹配一个或多个连续的汉字
chinese_words_list = regex.findall(r'\p{Han}+', text)
print(chinese_words_list)
# 输出: ['你好', '世界', '这是一个', '#39;, '中文', '的', '测试']
使用 Unicode 范围 (通用，适用于 re 和 regex)
如果你不想安装第三方库，或者只需要匹配常见的简体中文，可以使用 Unicode 编码范围来构建字符集。
- 基本汉字范围：
\u4e00到\u9fff - 扩展A区：
\u3400到\u4dbf - 扩展B-F区： 包含更多生僻字
一个常见的做法是匹配基本汉字范围。
（图片来源网络，侵删）
使用 re 模块的示例：
import re text = "你好，世界！Hello World! 这是一个测试 123。" # 使用 [\u4e00-\u9fff] 匹配一个基本中文字符 # 注意：这里需要写成字符集 [...] 的形式 chinese_list = re.findall(r'[\u4e00-\u9fff]', text) print(chinese_list) # 输出: ['你', '好', '世', '界', '这', '是', '一', '个', '测', '试', '中'] # 匹配连续的汉字词语 chinese_words_list = re.findall(r'[\u4e00-\u9fff]+', text) print(chinese_words_list) # 输出: ['你好', '世界', '这是一个', '测试', '中']
更全面的范围（推荐）： 为了覆盖更多汉字,可以组合多个范围。
import re
text = "𠮷𠮷𠮷 你好，世界！" # 包含一个扩展B区的字符
# 匹配基本汉字、扩展A区、扩展B区
# 注意：扩展B区的字符是代理对（surrogate pair），在re模块中处理可能会有问题
# 更稳健的方式是使用regex库的\p{Han}
pattern = r'[\u4e00-\u9fff\u3400-\u4dbf\U00020000-\U0002a6df]+'
# 在 re 模块中，\U00020000 可能无法正确匹配所有扩展字符
# 所以对于生僻字，regex 库是更好的选择
chinese_words_list = re.findall(pattern, text)
print(chinese_words_list)
# 输出: ['你好', '世界'] # 注意开头的 "𠮷𠮷𠮷" 可能没有被正确匹配
实战应用场景
场景1：从混合文本中提取所有中文句子
假设你想从一个包含中文、英文和标点符号的段落中,提取出所有完整的中文句子。
import re
mixed_text = """
Python 是一种解释型、高级和通用的编程语言。
由吉多·范罗苏姆创造，于1991年首次发布。
它支持多种编程范式，包括结构化、过程式、面向对象和函数式编程。
The language's design philosophy emphasizes code readability with its notable use of significant whitespace.
"""
# 思路：匹配一个或多个汉字，后面跟着一个句号、问号或感叹号
# 中文句子通常以这些标点结尾
# [\u4e00-\u9fff] 匹配汉字，[。！？] 匹配中文标点
chinese_sentences = re.findall(r'[\u4e00-\u9fff]+[。！？]', mixed_text)
for sentence in chinese_sentences:
print(sentence)
输出：
Python 是一种解释型、高级和通用的编程语言
由吉多·范罗苏姆创造，于1991年首次发布
它支持多种编程范式，包括结构化、过程式、面向对象和函数式编程(注意：这个例子中 "Python" 被误判，因为它后面跟着句号，在实际应用中，需要更复杂的逻辑来区分语言。)
场景2：提取字符串中的中文和数字
假设你想从一个文件名或路径中提取出中文部分和数字部分。
import re filename = "产品报告_2025年_v2.5_最终版.xlsx" # 匹配连续的中文或连续的数字 # | 表示 "或" (or) # [\u4e00-\u9fff]+ 匹配一个或多个汉字 # \d+ 匹配一个或多个数字 parts = re.findall(r'[\u4e00-\u9fff]+|\d+', filename) print(parts) # 输出: ['产品报告', '2025', '最终版']
总结与建议
| 方法 | 优点 | 缺点 | 推荐场景 |
|---|---|---|---|
\p{Han} (使用 regex 库) |
最标准、最准确，自动涵盖所有汉字（简、繁、生僻字），代码可读性高。 | 需要安装第三方库 regex。 |
强烈推荐，任何需要处理中文的正则表达式场景，尤其是在处理可能包含生僻文的文本时。 |
[\u4e00-\u9fff] (使用 re 模块) |
无需额外安装，Python 内置支持，能满足大部分常见简体文本需求。 | 范围有限，不包含繁体和生僻字，写法稍显繁琐。 | 快速脚本、处理明确只包含基本汉字的文本、或者不允许安装第三方库的环境。 |
最佳实践：
- 首选
regex库和\p{Han}：这是最稳健、最不容易出错的方案,能应对各种复杂的中文文本。 - 次选
re模块和 Unicode 范围：如果项目限制不能安装第三方库，或者你明确知道文本中只包含基本汉字,这是一个可行的方案。 - *结合 或 `
量词**：根据你的需求，使用+(一个或多个) 或*` (零个或多个) 来匹配单个字符或连续的词语。 - 注意字符集：在
re模块中，匹配单个字符时，记得用方括号[]括起来，如[\u4e00-\u9fff]，而不是\u4e00-\u9fff。
