2007-11-21

python 字符串中的中文识别

关键字: python 中文

python的中文问题一直是让人不爽的一件事情，而python的一个强大之处恰恰是string的处理，而且string就难免不包含chinese。所以处理string中的chinese就变得很重要了。

实验室的complex network项目，目前是数据处理阶段，考虑到python的高效和强大的string功能，我决定使用python对大量的数据进行处理。

下面是一个简单的demo，先贴代码，然后进行说明：

python 代码
  1. # -*- coding: gb18030 -*-   
  2. import string  
  3. import re  
  4.   
  5. identify = string.maketrans('', '')   
  6.   
  7. delEStr = string.punctuation + ' ' + string.digits  #ASCII 标点符号，空格和数字   
  8. delCStr = '《》（）&%￥#@！{}【】'   
  9.   
  10. s = '中华人民共和国（北京）'   
  11.   
  12. s = s.translate(identify, delEStr) #去掉ASCII 标点符号和空格   
  13. if re.findall('[\x80-\xff].', s):    #s为中文   
  14.    s = s.translate(identify, delCStr)   
  15.    print s   
  16. else: #s为英文   
  17.     print s  

当然，首先是要import string和re（这里需要正则表达式功能）。

delEStr是一个包含英文标点符号和数字的字符串，就如 '(){}<>1234 ' 这样。delCStr是一个包含中文标点符号的字符串。s是一个测试字符串。

12行的功能就是把s中的英文标点符号都删除。下面一句是关键：

python 代码
  1. re.findall('[\x80-\xff].', s)  

这行代码将返回一个list，如果s中包含中文，则返回一个包含每个汉字的非空的list，如果s中不包含中文，则返回一个空list（即[ ]）。

第14行要删除这个含中文的字符串中的中文标点符号。

运行这段程序，打印出来的是“中华人民共和国北”，“京”呢？不见了。这就是python让人头疼的地方。错误出在第14行，可能原因是“京”的unicode编码和某两个相邻标点的组合编码相同了。我现在还没找到好的解决办法

这段代码最主要的应用就是translate和findall两个函数，不过在使用translate函数之前要构造一个identify，就像第5行代码那样。

出现了问题是好事，它可以促使自己更加深入的去学习，并且现在处于学习阶段，多遇到问题毕竟是好事，继续学习ing....

 

评论
harry 2008-05-05
s = u'中华人民共和国（北京）'
MountLion 2007-12-02
# -*- coding: utf-8 -*-

s = '中华人民共和国（北京）'
print s.encode('gb18030') # or print s

把程序文件保存成utf-8格式的即可。
guotie 2007-11-30
# -*- coding: gb18030 -*-
# -*- coding: utf-8 -*-
limodou 2007-11-21
建议使用真正的unicode来处理，你说的并不是unicode。
发表评论

提醒: 该博客已发表在公共论坛，博客所有留言会成为论坛回贴，留言请注意遵守论坛发贴规则

您还没有登录，请登录后发表评论