首页 » 编程 » python » python正则表达式匹配中文汉字

python采集网页中需要清理html网页代码计算网页中文字数,由于一些页面的代码不规范、包含注释、 js等因素,清洗挺费劲,所以有个更好的方法直接匹配文字即可,python正则匹配汉字,用来计算汉字字数,有两种方法:

1 [\u4e00-\u9fa5]
2 [^\x00-\xff]

两种匹配方式的区别:

[\u4e00-\u9fa5]
匹配中文字符的正则表达式

[^\x00-\xff]
匹配双字节字符(包括汉字在内),这里会匹配出:中文 “?”等符号。

如果纯匹配汉字,建议使用[\u4e00-\u9fa5]即可,方便计算字数。
————————————————————————————————————
更新:添加一个html标签过滤的正则:

<[^>]+>

使用<[^>]+>过滤已<开始,已>结尾的标签,绝大部分都能过滤,例如:

<!--注释代码-->
<html></html>
<style></style>
<script></script>
分享到:
赞(0) 打赏 生成海报

评论 抢沙发

4 + 6 =


长按图片转发给朋友

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

微信扫一扫打赏

Vieu4.5主题
专业打造轻量级个人企业风格博客主题!专注于前端开发,全站响应式布局自适应模板。
切换注册

登录

忘记密码 ?

您也可以使用第三方帐号快捷登录

Q Q 登 录
微 博 登 录
切换登录

注册