Python3提取汉字的三种方法详解

IT行业相对于一般传统行业，发展更新速度更快，一旦停止了学习，很快就会被行业所淘汰。所以我们需要踏踏实实的不断学习，精进自己的技术，尤其是初学者。今天golang学习网给大家整理了《Python3提取汉字的常用方法有以下几种：✅ 方法一：使用正则表达式（推荐）import re text = "你好，世界！Hello, World! 123" chinese_chars = re.findall(r'[\u4e00-\u9fff]', text) print(chinese_chars)说明：\u4e00-\u9fff 是 Unicode 中汉字的范围。re.findall() 会返回所有匹配的汉字。✅ 方法二：使用 unicodedata 模块import unicodedata text = "你好，世界！Hello, World! 123" chinese_chars = [c for c in text if unicodedata.name(c).startswith('CJK')] print(chinese_chars)说明：unicodedata.name(c) 返回字符的 Unicode 名称。CJK（Chinese, Japanese, Korean）是汉字的 Unicode 范围。✅ 方法三：自定义判断函数def is_chinese_char(char): return '\u4e00'

最常用方式是正则匹配Unicode汉字区间：[\u4e00-\u9fff]覆盖常用字，[\u3400-\u4dbf]含扩展A区生僻字，[\u3000-\u303f]含中文标点；可组合使用，如re.findall(r'[\u4e00-\u9fff]+', text)提取连续汉字。

Python3 提取汉字，核心是利用正则表达式匹配 Unicode 中文字符范围，或借助第三方库（如 jieba）做分词后筛选。最常用、轻量、无需额外依赖的方式是正则匹配。

用正则表达式提取纯汉字

中文汉字在 Unicode 中主要位于 \u4e00–\u9fff（基本汉字区），但实际还包含扩展 A 区（\u3400–\u4dbf）、扩展 B 区（部分超大字符集）、标点（如\u3000–\u303f）等。日常使用中，覆盖常用字可组合多个区间：

• [\u4e00-\u9fff]：最常用，覆盖现代简体/繁体高频汉字
• [\u3400-\u4dbf]：CJK 扩展 A（生僻字、古籍用字）
• [\u3000-\u303f\u3040-\u309f\u30a0-\u30ff]：中文全角标点、平假名、片假名（按需添加）

示例代码：

import re
<p>text = "Hello你好！123世界?，测试「abc」。"
hanzi = re.findall(r'[\u4e00-\u9fff]+', text)
print(hanzi)  # ['你好', '世界', '测试']
</p>

注意：+ 表示连续汉字连成一个字符串；若要单字拆分，改用 r'[\u4e00-\u9fff]'。

保留汉字并去除其他所有字符（包括空格标点）

适合清洗文本、构造纯汉字序列：

cleaned = re.sub(r'[^\u4e00-\u9fff]', '', text)
print(cleaned)  # '你好世界测试'

这个方法简单直接，但会丢弃所有非汉字内容，不含换行、空格、英文数字等。

用 jieba 分词后再过滤汉字（适合语义级提取）

当需要区分“词语”而非单字（比如排除“的”“了”等虚词，或保留“人工智能”这类复合词），可用 jieba 先分词，再按需筛选：

import jieba
<p>text = "Python很强大，自然语言处理很重要！"
words = jieba.lcut(text)
hanzi_words = [w for w in words if re.fullmatch(r'[\u4e00-\u9fff]+', w)]
print(hanzi_words)  # ['Python', '很', '强大', '自然语言处理', '很重要']
</p>

⚠️ 注意：jieba 默认会保留英文单词（如 'Python'），所以需用正则二次判断是否纯汉字。若只想留中文词，建议加条件 len(w) > 1 and re.fullmatch(...) 过滤单字虚词（依任务而定）。

处理带拼音/注音/日文混排的文本

若文本含拼音（如 “zhong guo”）、日文假名或注音符号（ㄅㄆㄇ），可扩展正则范围或先清洗：

• 兼容常见拼音字母 + 空格 + 常见声调符号（如 ˉ ˊ ˇ ˋ）：一般建议先用正则剥离非汉字块，再对剩余部分提取
• 稳妥做法：先用 [^\u4e00-\u9fff\u3400-\u4dbf\u3000-\u303f]+ 替换为统一占位符，再提取

例如清理后只留汉字和中文标点：

basic_chinese = re.sub(r'[^\u4e00-\u9fff\u3000-\u303f]', ' ', text).strip()
hanzi_only = ''.join(hanzi for hanzi in basic_chinese if '\u4e00' <p>不复杂但容易忽略细节：Unicode 范围要写对，避免漏掉扩展区；正则用 <code>re.findall</code> 比 <code>re.search</code> 更适合批量提取；分词+过滤适合有语义要求的场景。</p><p>今天关于《Python3提取汉字的三种方法详解》的内容就介绍到这里了，是不是学起来一目了然！想要了解更多关于的内容请关注golang学习网公众号！</p>