Regex 如何拆分日语字符的字符串？

我有一根日本线“さいたま市　中央区" 在我的蜂巢表中。我只需要表中字符串的第一部分，即さいたま市.

我试过使用拆分函数和正则表达式，但不起作用。我试过使用hive和python

试过下面的所有这些，都不起作用

select split("さいたま市　中央区",'')[0];
select regexp_extract("さいたま市　中央区","^(.*?)\\s(.*)",1)
select regexp_extract("さいたま市　中央区","[ur'[\u4e00-\ufaff]']",1) 

---

我只想要字符串的第一部分。

所以有一件事要记住，日语空格和英语空格不一样（我不知道为什么，但是ascii值不同）。这意味着您不能使用\s或尝试使用普通空格来使用

拆分

。（就像您在示例中尝试的那样）

---

你需要的正则表达式是-

（.+）\h（+.+）

，在这里你寻找水平空格而不是常规空格。

所以要记住一点，日语空格和英语空格不一样（我不确定为什么，但ascii值不同）。这意味着您不能使用\s或尝试使用普通空格使用

split

。（就像您在示例中尝试的那样）

---

您需要的正则表达式是-

（.+）\h（+

，在这里您可以查找水平空格而不是常规空格。

对我来说很好。在使用python 2时，您只需将该非标准日语空格字符复制/粘贴到

split（）

函数的参数中即可

>>> a = "さいたま市　中央区"
>>> a.split('　')      # use this for python 2.*
['さいたま市', '中央区']
>>> a.split()          # this works fine in python 3
['さいたま市', '中央区']
>>> 

---

对我来说很好。在使用python 2时，只需将非标准日语空格字符复制/粘贴到

split（）

函数的参数中

>>> a = "さいたま市　中央区"
>>> a.split('　')      # use this for python 2.*
['さいたま市', '中央区']
>>> a.split()          # this works fine in python 3
['さいたま市', '中央区']
>>> 

---

也将此作为答案发布

复制/粘贴问题中的文本并运行

repr

会让我

repr（““我有一个日文字符串”さいたま市　中央区" 在我的蜂箱表中（“”） “\'我有一根日语字符串”さいたま市\\u3000中央区" 在我的蜂巢桌上“ 这表明

split（…该文本…，'\u3000'）[0]

应该产生您想要的结果

---

表达式

“[ur'[\u4e00-\ufaff]]”

看起来非常错误；将其更正为

ur'[\u4e00-\ufaff]'

可能也会起作用。或者可以尝试简单地

“[\u4e00-\ufaff]”

将此作为答案发布

复制/粘贴问题中的文本并运行

repr

会让我

repr（““我有一个日文字符串”さいたま市　中央区" 在我的蜂箱表中（“”） “\'我有一根日语字符串”さいたま市\\u3000中央区" 在我的蜂巢桌上“ 这表明

split（…该文本…，'\u3000'）[0]

应该产生您想要的结果

---

表达式

“[ur'[\u4e00-\ufaff]]”

看起来非常错误；将其更正为

ur'[\u4e00-\ufaff]'

可能也会起作用。或者可以尝试简单的

“[\u4e00-\ufaff]“

Python与您的问题有什么关系？您仍然希望在空格上拆分，因此日语也与您的问题无关。我尝试在上面的字符串上执行

。拆分（）

，效果与您预期的一样<代码>”さいたま市　中央区".split（）

repr（““我有一个日文字符串”さいたま市　中央区" 在我的配置单元表“”中，“”

给我

“\'我有一个日文字符串”さいたま市\\u3000中央区" 在我的配置单元表\''

中，您能证实这实际上是您正在尝试处理的吗？明显的

是。split（'\u3000'）吗

不要做你想做的事？再一次，请澄清这与Python的关系，以及（如注释所示）你是否实际使用的是Python 2而不是推荐的Python 3版本。还要注意，如果你实际上使用的是Python 2，我们需要知道你试图处理的文件的确切编码。如果你不知道，可能显示几个字节的十六进制转储，其中实际的类空格字符可见（但仅显示周围上下文的几个字节，而不是整个文件）。可能还会看到Python与您的问题有什么关系中的提示？您仍然希望在空格上拆分，因此日语也与您的问题无关。我尝试在上面的字符串上执行了

。拆分（）

，效果与您预期的一样。

”さいたま市　中央区.split（）

repr（““我有一个日文字符串”さいたま市　中央区" 在我的配置单元表“”中，“”

给我

“\'我有一个日文字符串”さいたま市\\u3000中央区" 在我的配置单元表\''

中，您能证实这实际上是您正在尝试处理的吗？明显的

是。split（'\u3000'）吗

不要做你想做的事？再一次，请澄清这与Python的关系，以及（如注释所示）你是否实际使用的是Python 2而不是推荐的Python 3版本。还要注意，如果你实际上使用的是Python 2，我们需要知道你试图处理的文件的确切编码。如果你不知道，可能会显示几个字节的十六进制转储，其中实际的空格字符是可见的（但只是周围上下文的几个字节，而不是整个文件）。可能还会看到提示，所有这些字符串都在txt文件中。下面的代码我在python 2中尝试过：test_list=[]，open（“T.txt”）作为f:for-for-in-in-f:item=item.split（“”）测试列表。追加（项目[0]）打印测试_list@MJM您需要更改为python3或确保已复制/粘贴

a.split（）　')来自我的答案，其中包含日语空格字符。问题是所有这些字符串都在txt文件中。下面的代码是我在python 2中尝试过的：test_list=[]，其中open（“T.txt”）作为f:for-for-in-in-f:item=item.split（“”）test_list.append（item[0]）打印测试_list@MJM您需要更改为python3或确保已复制/粘贴
a.split（）　')从我的答案中，包含了日语空格字符。这对我不起作用。我尝试过，从hmm中选择regexp_extract（，“（++）\h（+）”），这很奇怪，因为它在regex101（我已链接）上工作得很好，也许还有其他事情发生了？这很奇怪