关于#正则表达式#的问题：在中文文本中要匹配文本结构，想用正则表达式的匹配处理(语言-python)

Question

在中文文本中要匹配文本结构，想用正则表达式的匹配处理。
针对“中山陵，明孝陵，美龄馆，音乐台”、“中山陵、明孝陵、美龄馆、音乐台”、“中山陵-明孝陵-灵谷寺-美龄宫”、“中山陵→明孝陵→灵谷寺→美龄宫”;文本中名称是不定长度的汉字。其正则表达式是什么？怎么用Python的匹配出来这种文本结构？

Answer 1

参考通义千问和郭老师的小迷弟雅思莫了-编写提供，主要是为了帮助您快速解决问题，如下回答，您可以参考下，如有问题，评论区留言。

要匹配上述中文文本结构，即一系列由逗号、顿号、短横线或箭头分隔的不定长度的汉字序列，可以使用以下正则表达式：

import re

text = "中山陵，明孝陵，美龄馆，音乐台"  # 或者其他包含类似结构的文本

pattern = r'[\u4e00-\u9fff]+(?:[-,→、→])[\u4e00-\u9fff]+(?:[-,→、→])*[\u4e00-\u9fff]+'

matches = re.findall(pattern, text)

print(matches)

这里正则表达式的含义是：

• [\u4e00-\u9fff]：匹配任何在Unicode中CJK统一编码区间的汉字，这是最常见的中文字符范围。
• (?:[-,→、→])：非捕获组，用于匹配任意一个分隔符（短横线、逗号、顿号或箭头）。
• +：表示前面的字符或组可以重复一次或多次。

整体来看，这个正则表达式会查找由任意数量（至少两个，因为最后一个汉字后面没有分隔符）的汉字组成的序列，这些汉字之间由指定的分隔符隔开。

请注意，如果需要严格匹配每一种分隔符只出现一次，并且确保序列始终以分隔符开始和结束（例如，“中山陵-明孝陵-灵谷寺-美龄宫”），那么可能需要更精细地调整正则表达式。但根据你的描述，上述表达式应该能满足基本需求，它允许任意数量的分隔符和汉字序列。