由於 需求原因，需要匹配 提取中文，大量google下，並沒有我需要的。花了一個小時大概測試，此utf8中文通過，特留文。
參考： http://hi.baidu.com/nivrrex/blog/item/e6ccaf511d0926888d543071.html
http://topic.csdn.net/u/20070404/15/b011aa83-f9b7-43b3-bbff-bfe4f653df03.html
首先，確保所有編碼都為 unicode
比如 str.decode('utf8') #從utf8文本中
u"啊l" #在控制台輸出中
(羅嗦下)本想使用參考一定編碼 Hex 但郁悶的是 這每個字好像占2個位置，使用正則匹配無果。
其次，確定中文范圍 : [\u4e00-\u9fa5]
(這里注意下 python 的re寫的時候) 要 u"[\u4e00-\u9fa5]" #確定正則表達式也是 unicode 的
demo :
>>>
print
re.match(ur
"
[\u4e00-\u9fa5]+
"
,
"
啊
"
)
None
>>> print re.match(ur " [\u4e00-\u9fa5]+ " ,u " 啊 " )
< _sre.SRE_Match object at 0x2a98981308 >
>>> print re.match(ur " [\u4e00-\u9fa5]+ " ,u " t " )
None
>>> print tt
現在才明白
>>> tt
' \xe7\x8e\xb0\xe5\x9c\xa8\xe6\x89\x8d\xe6\x98\x8e\xe7\x99\xbd '
>>> print re.match(r " [\u4e00-\u9fa5] " ,tt.decode( ' utf8 ' ))
None
>>> print re.match(ur " [\u4e00-\u9fa5] " ,tt.decode( ' utf8 ' ))
< _sre.SRE_Match object at 0x2a955d9c60 >
>>> print re.match(ur " .*[ " u4e00 - " u9fa5]+ " ,u " hi,匹配到了 " )
< _sre.SRE_Match object at 0x2a955d9c60 >
>>> print re.match(ur " .*[ " u4e00 - " u9fa5]+ " ,u " hi,no no " )
None
None
>>> print re.match(ur " [\u4e00-\u9fa5]+ " ,u " 啊 " )
< _sre.SRE_Match object at 0x2a98981308 >
>>> print re.match(ur " [\u4e00-\u9fa5]+ " ,u " t " )
None
>>> print tt
現在才明白
>>> tt
' \xe7\x8e\xb0\xe5\x9c\xa8\xe6\x89\x8d\xe6\x98\x8e\xe7\x99\xbd '
>>> print re.match(r " [\u4e00-\u9fa5] " ,tt.decode( ' utf8 ' ))
None
>>> print re.match(ur " [\u4e00-\u9fa5] " ,tt.decode( ' utf8 ' ))
< _sre.SRE_Match object at 0x2a955d9c60 >
>>> print re.match(ur " .*[ " u4e00 - " u9fa5]+ " ,u " hi,匹配到了 " )
< _sre.SRE_Match object at 0x2a955d9c60 >
>>> print re.match(ur " .*[ " u4e00 - " u9fa5]+ " ,u " hi,no no " )
None
其他 擴充 范圍 (轉)
這里是幾個主要非英文語系字符范圍(google上找到的):
2E80 ～33FFh：中日韓符號區。收容康熙字典部首、中日韓輔助部首、注音符號、日本假名、韓文音符，中日韓的符號、標點、帶圈或帶括符文數字、月份，以及日本的假名組合、單位、年號、月份、日期、時間等。
3400 ～4DFFh：中日韓認同表意文字擴充A區，總計收容6 , 582個中日韓漢字。
4E00 ～9FFFh：中日韓認同表意文字區，總計收容20 , 902個中日韓漢字。
A000～A4FFh：彝族文字區，收容中國南方彝族文字和字根。
AC00～D7FFh：韓文拼音組合字區，收容以韓文音符拼成的文字。
F900～FAFFh：中日韓兼容表意文字區，總計收容302個中日韓漢字。
FB00～FFFDh：文字表現形式區，收容組合拉丁文字、希伯來文、阿拉伯文、中日韓直式標點、小符號、半角符號、全角符號等。
比如需要匹配所有中日韓非符號字符 , 那么正則表達式應該是^ [ \u3400-\u9FFF ] +$
理論上沒錯 , 可是我到msn.co.ko隨便復制了個韓文下來 , 發現根本不對 , 詭異
再到msn.co.jp復制了個’お’ , 也不得行..
然后把范圍擴大到^ [ \u2E80-\u9FFF ] +$ , 這樣倒是都通過了 , 這個應該就是匹配中日韓文字的正則表達式了 , 包括我們臺灣省還在盲目使用的繁體中文
而關於中文的正則表達式 , 應該是^ [ \u4E00-\u9FFF ] +$ , 和論壇里常被人提起的^ [ \u4E00-\u9FA5 ] +$很接近
需要注意的是論壇里說的^ [ \u4E00-\u9FA5 ] +$這是專門用於匹配簡體中文的正則表達式 , 實際上繁體字也在里面 , 我用測試器測試了下’中華人民共和國’ , 也通過了 , 當然 , ^ [ \u4E00-\u9FFF ] +$也是一樣的結果。
2E80 ～33FFh：中日韓符號區。收容康熙字典部首、中日韓輔助部首、注音符號、日本假名、韓文音符，中日韓的符號、標點、帶圈或帶括符文數字、月份，以及日本的假名組合、單位、年號、月份、日期、時間等。
3400 ～4DFFh：中日韓認同表意文字擴充A區，總計收容6 , 582個中日韓漢字。
4E00 ～9FFFh：中日韓認同表意文字區，總計收容20 , 902個中日韓漢字。
A000～A4FFh：彝族文字區，收容中國南方彝族文字和字根。
AC00～D7FFh：韓文拼音組合字區，收容以韓文音符拼成的文字。
F900～FAFFh：中日韓兼容表意文字區，總計收容302個中日韓漢字。
FB00～FFFDh：文字表現形式區，收容組合拉丁文字、希伯來文、阿拉伯文、中日韓直式標點、小符號、半角符號、全角符號等。
比如需要匹配所有中日韓非符號字符 , 那么正則表達式應該是^ [ \u3400-\u9FFF ] +$
理論上沒錯 , 可是我到msn.co.ko隨便復制了個韓文下來 , 發現根本不對 , 詭異
再到msn.co.jp復制了個’お’ , 也不得行..
然后把范圍擴大到^ [ \u2E80-\u9FFF ] +$ , 這樣倒是都通過了 , 這個應該就是匹配中日韓文字的正則表達式了 , 包括我們臺灣省還在盲目使用的繁體中文
而關於中文的正則表達式 , 應該是^ [ \u4E00-\u9FFF ] +$ , 和論壇里常被人提起的^ [ \u4E00-\u9FA5 ] +$很接近
需要注意的是論壇里說的^ [ \u4E00-\u9FA5 ] +$這是專門用於匹配簡體中文的正則表達式 , 實際上繁體字也在里面 , 我用測試器測試了下’中華人民共和國’ , 也通過了 , 當然 , ^ [ \u4E00-\u9FFF ] +$也是一樣的結果。