浏览 10282 次
|
锁定老帖子 主题：python 字符串中的中文识别
精华帖 (0) :: 良好帖 (0) :: 新手帖 (0) :: 隐藏帖 (0)
|
|
|---|---|
| 作者 | 正文 |
|
发表时间：2007-11-21
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
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
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....
声明：ITeye文章版权属于作者，受法律保护。没有作者书面许可不得转载。
推荐链接
|
| 返回顶楼 | |
|
发表时间：2007-11-21
建议使用真正的unicode来处理，你说的并不是unicode。
|
| 返回顶楼 | |
|
发表时间：2007-11-30
# -*- coding: gb18030 -*-
# -*- coding: utf-8 -*- |
| 返回顶楼 | |
|
发表时间：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。 |
| 返回顶楼 | |
|
发表时间：2008-05-05
s = u'中华人民共和国（北京）'
|
| 返回顶楼 | |
