Python Regex-负前瞻，用于将字符串与任何非中文UTF字符匹配 意图

创建一个正则表达式，该正则表达式在存在任何字符（ASCII、Unicode或其他字符）时创建匹配，这些字符不属于任何有效的汉字UTF-8范围。匹配本身并不重要，而是存在非中文字符。请注意，UTF-8字符集中还存在罕见的、未使用的汉字。当不存在匹配项时，该函数返回None，从而表明传入的字符串是调用方函数的纯Unicode中文字符串

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

尝试的正则表达式解决方案 解释：任何非汉字负号。前瞻设置，至少一次

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

解释：任何UTF集合中的任何非单数汉字

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

测试用例

案例

预期结果

大家好0个匹配项

00你是谁>=1匹配项

s%%2
>=1匹配

你Пццццц
>=1匹配

谢谢您抽出时间
首先，
\u20000
并不意味着你认为它有什么作用。因为
\u
序列的长度必须正好是4位，这是指
u+2000
和数字
0
。对于0xFFFF以上的字符，Python提供了
\U
，后面必须紧跟8位数字（例如
\U00020000
）


第二,

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

最好写为

[A-BC-D...]


通过上述修复和上述简化，我们有：

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

有两种解决问题的方法：

字符串是否仅包含该类中的字符

是_just_han=re.search（“^[…]*$”，str）还是regex.search


字符串是否包含该类之外的字符

is_just_han=not re.search（“[^…]”，str）#或regex.search



如果使用模块而不是re模块，则可以访问
\p{Han}
（缩写为
\p{Script=Han}
）及其否定
\p{Han}
（缩写为
\p{Script=Han}
）。此Unicode属性与您尝试匹配的字符非常匹配。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）
首先，
\u20000
并不意味着你认为它能做什么。因为
\u
序列的长度必须正好是4位，这是指
u+2000
和数字
0
。对于0xFFFF以上的字符，Python提供了
\U
，后面必须紧跟8位数字（例如
\U00020000
）


第二,

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

最好写为

[A-BC-D...]


通过上述修复和上述简化，我们有：

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

有两种解决问题的方法：

字符串是否仅包含该类中的字符

是_just_han=re.search（“^[…]*$”，str）还是regex.search


字符串是否包含该类之外的字符

is_just_han=not re.search（“[^…]”，str）#或regex.search



如果使用模块而不是re模块，则可以访问
\p{Han}
（缩写为
\p{Script=Han}
）及其否定
\p{Han}
（缩写为
\p{Script=Han}
）。此Unicode属性与您尝试匹配的字符非常匹配。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）
关于
\P{Script=Han}
，我必须做一些广泛的测试，因为我正在解析古代汉语词典，Python正则表达式的加速器可能不支持其中一些范围。虽然我喜欢表达式的简洁，但一旦我弄清楚正则表达式，我一定会尝试一下。使用适当的库，未通过检查的正则表达式之间的差异为.04%，这超过了可接受的错误/差异容忍度。非常感谢@ikegami！关于
\P{Script=Han}
，我必须做一些广泛的测试，因为我正在解析古代汉语词典，Python正则表达式的加速器可能不支持其中一些范围。虽然我喜欢表达式的简洁，但一旦我弄清楚正则表达式，我一定会尝试一下。使用适当的库，未通过检查的正则表达式之间的差异为.04%，这超过了可接受的错误/差异容忍度。非常感谢@ikegami！