例如，我想匹配一个由
m到n个汉字组成的字符串，那么我可以使用以下代码：[single Chinese character regular expression]{m,n}
是否有一个单个中文字符的正则表达式，可以匹配任何存在的中文字符？
8个回答
48
匹配中文（或CJK字符）的正则表达式是
\p{script=Han}
可以简写为
\p{Han}
这假设你的正则表达式编译器符合要求RL1.2从UTS＃18 Unicode 正则表达式属性。 Perl和Java 7都符合该规范，但许多其他编译器则不符合。
- tchrist
9
2@xiaohan2012：我认为Flex根本不支持Unicode。 - Lily Ballard
3有没有适用于C#的变体？ - tofutim
这在Coda 2的查找和替换中完美运行。谢谢！ - Jake
6在Java-8中它返回“未知字符属性名称{Han}”，有什么问题吗？ - Andremoniy
也许可以考虑使用RE/flex作为Flex的替代方案？它能够很好地处理Unicode，并且使用相同的Flex语法。我对Flex缺乏进展感到不满，因此我创建了一个新版本(RE/flex)，它能够理解现代Unicode和字符编码。 - Dr. Alex RE
显示剩余4条评论
7
在Java中，
\p{InCJK_UNIFIED_IDEOGRAPHS}{1,3}
- DayDayHappy
2
请注意，这仅在U+4E00至U+9FFF范围内查找字符。它不能找到所有现有的汉字。 - martin
1该问题标记为 Flex 用于 C 和 C++ 的词法分析器，该分析器不支持
\p{C} 字符块。 - Dr. Alex RE6
在C#中
new Regex(@"\p{IsCJKUnifiedIdeographs}")
这里是从Microsoft文档中找到的。
以下是维基百科提供的更多信息: CJK统一汉字
CJK统一汉字基本块(4E00–9FFF)包含20,976个基本汉字，范围为U+4E00至U+9FEF。该块不仅包括中文书写系统中使用的字符，还包括日本书写系统中使用的汉字和韩国正在逐渐减少使用的汉字。该块中的许多字符在所有三个书写系统中都有使用，而其他字符则只在其中一两个书写系统中使用。汉字也用于越南的Nôm文字（现已过时）。
- Artemious
1
1谢谢你的回答！为了帮助改进你的帖子，请考虑添加文档链接，或添加解释以帮助说明这是做什么的。 - Kevin
2
有没有一个单个汉字的正则表达式，可以匹配任何已知的汉字？
建议
为了在支持Flex的词法分析器中匹配包含汉字和其他Unicode代码点的模式，您可以使用RE/flex词法分析器进行C++编程，它与Flex向后兼容。RE/flex支持Unicode，并且可以与Bison一起构建词法分析器和解析器。
您可以在RE/flex规范中编写Unicode模式（以及UTF-8正则表达式），例如：
%option flex unicode
%%
[肖晗] { printf ("xiaohan/2\n"); }
%%
使用全局选项%option unicode来启用Unicode。您还可以使用本地修饰符(?u:)将Unicode限定为单个模式（因此其他所有内容仍然是ASCII / 8位，如Flex）：
%option flex
%%
(?u:[肖晗]) { printf ("xiaohan/2\n"); }
(?u:\p{Han}) { printf ("Han character %s\n", yytext); }
. { printf ("8-bit character %d\n", yytext[0]); }
%%
选项
flex 启用了 Flex 兼容性，因此您可以使用 yytext、yyleng、ECHO 等。如果没有使用 flex 选项，则 RE/flex 期望 Lexer 方法调用：text()（或者对于 std::string 和 std::wstring，str() 和 wstr()）、size()（或者对于宽字符长度，wsize()）和 echo()。我认为 RE/flex 的方法调用更加简洁，并包括宽字符操作。
背景
在普通的 Flex 中，我最终定义了丑陋的 UTF-8 模式来捕获 ASCII 字母和 UTF-8 编码的字母，以支持 Unicode 标识符 id 的编译器项目。
digit [0-9]
alpha ([a-zA-Z_\xA8\xAA\xAD\xAF\xB2\xB5\xB7\xB8\xB9\xBA\xBC\xBD\xBE]|[\xC0-\xFF][\x80-\xBF]*|\\u([0-9a-fA-F]{4}))
id ({alpha})({alpha}|{digit})*
alpha 模式支持 ASCII 字母、下划线和用于标识符的Unicode代码点 (\p{L} 等)。该模式允许更多的Unicode代码点，以使该模式的大小可管理，因此在一些情况下允许UTF-8过长字符，但这些字符并不是有效的UTF-8，这种方式会导致一些准确性缺失和安全问题，请谨慎采用。建议使用 Unicode-capable 的扫描器生成器，例如RE/flex。
安全性
直接在Flex模式中使用UTF-8时存在以下几个问题:
在 Flex 中编码您自己的 UTF-8 模式以匹配任何 Unicode 字符可能容易出错。应该将模式限制为仅包含有效 Unicode 范围内的字符。Unicode 代码点覆盖范围从 U+0000 到 U+D7FF 和 U+E000 到 U+10FFFF。范围 U+D800 到 U+DFFF 保留用于 UTF-16 替代对，并且为无效的代码点。当使用工具将 Unicode 范围转换为 UTF-8 时，请确保排除无效的代码点。
为了捕获词法输入错误，您的词法分析器需要特殊的
.( 点) ，它匹配有效和无效的Unicode，包括UTF-8超出限定范围和无效字节序列，以便产生一个拒绝输入的错误消息。如果您使用点作为“捕获所有其他”以产生错误消息，但是您的点不匹配无效 Unicode，则您的词法分析器会挂起（“扫描器已卡住”）或者由 Flex 的“默认规则”在输出中回显垃圾字符。您的扫描器应该识别输入中的UTF BOM (Unicode 字节顺序标记) 并切换到 UTF-8、UTF-16 (LE 或 BE) 或 UTF-32 (LE 或 BE)。
如您所指出的，例如
[unicode characters]这样的模式在 Flex 中根本不起作用，因为括号列表中的 UTF-8 字符是多字节字符，可以匹配每个单字节字符但无法匹配 UTF-8 字符。
请参考 RE/flex 用户指南中关于无效的 UTF 编码的说明。
- Dr. Alex RE
1
对于大多数编程语言，匹配99.9%以上的中文字符的正则表达式将是：
\u4E00-\u9FFF
适用于：Python、现代JavaScript、Golang、Rust 但不适用于PHP。
如果您的语言不支持其他答案中的符号表示法，如{Han}/{script=Han}/{IsCJKUnifiedIdeographs}，则此方法非常有用。
NB：这对应于CJK统一汉字，包括韩语、日语和越南语等其他语言。
- Eli O.
2
1对于接受（或需要）Unicode编码文本的输入，
[\u4E00-\u9FFF]等同于[一-鿿]。 - remcycles这也适用于罗马字符 - undefined
0
在Java 7及以上版本中，格式应为：“\p{IsHan}”。
- dripp
3
1实际上，编辑历史记录显示您也写了
InHan，@Robert 只是添加了格式，使表达式呈现为等宽字体。 - Zoltán提示：您可以选择自己编辑以纠正错误。;-) - Robert
问题并不是要求如何在Java中实现，而是标记为“flex-lexer”。 - user743382
-1
刚刚解决了一个类似的问题，
当你有太多的内容需要匹配时，最好使用 negated-set 并声明你不想匹配的内容，例如：
除数字外的所有内容：^[^0-9]*$
第二个 ^ 将实现否定。
- Andrea Ciccotta
1
1如果采用这种方法来回答OP的问题，结果会怎样呢？我认为这比已经提供的答案更加繁琐。 - Philippe-André Lorin
-1
就像这样：
package main
import (
"fmt"
"regexp"
)
func main() {
compile, err := regexp.Compile("\\p{Han}") // match one any Chinese character
if err != nil {
return
}
str := compile.FindString("hello 世界")
fmt.Println(str) // output: 世
}
- BiaowuDuan
1
1请阅读[答案]并[编辑]您的答案，以包含有关此代码实际解决问题的说明。请记住，您不仅要解决问题，还要教育OP和任何未来读者。 - Adriaan
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接
flex(词法分析器)中使用了正则表达式功能。 - xiaohan2012