正则匹配中文

标签：国际化   需要   grep -n   find   pre   int   gbk   项目   nic   

背景：项目要做国际化需求，要有中英文切换功能，所以我需要找到代码中所有包含的中文。

原理：很简单，中文在unicode 和 utf-8里都有一定的编码范围，所以我们只需要找出编码最小和最大的中文即可。

幸运的是中文在unicode 和 utf-8里编码的顺序是相同的（注：gbk编码是以拼音顺序编码的，所以如果文件时gbk编码需要先对编码进行转换）。

最小编码：一（\u4e00）

最大编码：龥（\u9fa5）

命令：egrep -nR ‘[一-龥]+‘ * --color

附上python代码：

import re
str=‘‘‘
汉字文字
1234567890
abcdefghijklmnopqrstuvwxyz
-_+=!@#$%^&*()[]{};:"‘<>,.?/|~ `
‘‘‘
ret1 = re.findall(u‘[\u4e00-\u9fa5]+‘,str.decode(‘utf-8‘))
print ret1[0]
ret2 = re.findall(r‘[一-龥]+‘,str)
print ret2[0]

正则匹配中文

标签：国际化   需要   grep -n   find   pre   int   gbk   项目   nic   

原文地址：https://www.cnblogs.com/wukejia/p/10057644.html