Python检测生僻字的实现方法


Posted in Python onOctober 23, 2016

解决思路

首先想到的就是利用 python 的正则表达式来匹配非法字符,然后找出非法记录。然而理想总是丰满的,现实却是残酷的。在实现的过程中,才发现自己对于字符编码、以及 python 内部字符串表示的相关知识的缺乏。在这期间,踩过了不少坑,到最后虽然还有些模糊的地方,但总算有一个总体清晰的了解。在此记录下心得,避免以后在同一个地方跌倒。

以下的测试环境是 ArcGIS 10.3 自带的 python 2.7.8 环境,不保证其他 python 环境也适用。

python 正则表达式

python 中的正则功能由内嵌的 re 函数库提供,主要用到 3 个函数。re.compile() 提供可重用的正则表达式,match() search() 函数返回匹配结果,两者之间的区别在于: match() 从指定位置开始匹配,search() 会从指定位置向后搜索直到找到匹配字符串。例如下面的代码中,match_result 从第一个字符 f 开始匹配,匹配失败返回空值;search_result 从 f 开始向后搜索,直到找到第一个匹配的字符 a, 然后通过 group() 函数输出匹配结果为字符 a。

import re

pattern = re.compile('[abc]')
match_result = pattern.match('fabc')
if match_result:
 print match_result.group()

search_result = pattern.search('fabc')
if search_result:
 print search_result.group()

以上的实现方式需要先编译一个 pattern,然后再进行匹配。实际上,我们可以直接利用 re.match(pattern, string) 函数来实现相同的功能。但是直接匹配的方式没有先编译再匹配的方式灵活,首先是正则表达式没办法重用,如果大量数据进行同一模式匹配,意味着每次都需要内部编译,造成性能损失;另外,re.match() 函数没有 pattern.match() 功能强大,后者可以指定从哪个位置开始匹配。

编码问题

了解 python 正则的基本功能后,剩下的事情就是找到一个合适的正则表达式来匹配生僻字和非法字符。非法字符很简单,采用以下 pattern 就可以实现匹配:

pattern = re.compile(r'[~!@#$%^&* ]')

然而对于生僻字的匹配,着实难倒了我。首先是对于生僻字的定义,什么样的字算生僻字?经过咨询项目经理,规定非 GB2312 的字符属于生僻字。接下来的问题是,如何匹配 GB2312 字符?

经过查询,GB2312 的范围是 [\xA1-\xF7][\xA1-\xFE] ,其中汉字区的范围是 [\xB0-\xF7][\xA1-\xFE] 。因此,添加生僻字匹配后的表达式为:

pattern = re.compile(r'[~!@#$%^&* ]|[^\xA1-\xF7][^\xA1-\xFE]')

问题似乎是顺理得当地解决了,然而我还是 too simple too naive 。由于要判断的字符串都是从图层文件读取的,arcpy 贴心地将读取的字符编码为 unicode 格式。因此,我需要找出 GB2312 字符集在 unicode 中的编码范围。但现实是,GB2312 字符集在 unicode 中的分布并不是连续的,使用正则表示这个范围必定是非常复杂的。使用正则表达式匹配生僻字的构想,似乎陷入了死胡同。

解决方案

既然提供的字符串是 unicode 格式,那么我可不可以将其转换为 GB2312 再进行匹配呢?实际上是不行,因为 unicode 字符集要远大于 GB2312 字符集,因此 GB2312 => unicode 总是可以实现的,而反过来 unicode => GB2312 不一定能成功。

这突然为我提供了另外一种思路,假设一个字符串的 unicode => GB2312 转换会失败,那么是不是恰恰说明了它不属于 GB2312 字符集?所以,我使用 unicode_string.encode('GB2312') 函数尝试转换字符串,捕获 UnicodeEncodeError 异常来识别生僻字。

最终的代码如下:

import re

def is_rare_name(string):
 pattern = re.compile(u"[~!@#$%^&* ]")
 match = pattern.search(string)
 if match:
 return True

 try:
    string.encode("gb2312")
  except UnicodeEncodeError:
   return True

  return False

总结

以上就是这篇文章的全部内容了,希望本文的内容对大家的学习或者工作能带来一定的帮助,如果有疑问大家可以留言交流。

Python 相关文章推荐
python备份文件以及mysql数据库的脚本代码
Jun 10 Python
python自动安装pip
Apr 24 Python
python使用pyhook监控键盘并实现切换歌曲的功能
Jul 18 Python
Python中实现常量(Const)功能
Jan 28 Python
详解Python中的__new__()方法的使用
Apr 09 Python
Python爬取网易云音乐热门评论
Mar 31 Python
python 字符串转列表 list 出现\ufeff的解决方法
Jun 22 Python
解决pip install xxx报错SyntaxError: invalid syntax的问题
Nov 30 Python
python生成带有表格的图片实例
Feb 03 Python
Django Rest framework权限的详细用法
Jul 25 Python
python多维数组分位数的求取方式
Mar 03 Python
Python Web项目Cherrypy使用方法镜像
Nov 05 Python
python 写入csv乱码问题解决方法
Oct 23 #Python
解决Python中字符串和数字拼接报错的方法
Oct 23 #Python
python 读写txt文件 json文件的实现方法
Oct 22 #Python
Python类属性的延迟计算
Oct 22 #Python
如何在Python函数执行前后增加额外的行为
Oct 20 #Python
如何利用Fabric自动化你的任务
Oct 20 #Python
windows下ipython的安装与使用详解
Oct 20 #Python
You might like
php读取excel文件的简单实例
2013/08/26 PHP
php定时计划任务与fsockopen持续进程实例
2014/05/23 PHP
Mac OS下配置PHP+MySql环境
2015/02/25 PHP
THinkPHP获取客户端IP与IP地址查询的方法
2016/11/14 PHP
精选的10款用于构建良好易用性网站的jQuery插件
2011/01/23 Javascript
php读取sqlite数据库入门实例代码
2014/06/25 Javascript
JavaScript中匿名、命名函数的性能测试
2014/09/04 Javascript
JQuery拖动表头边框线调整表格列宽效果代码
2014/09/10 Javascript
javascript弹出页面回传值的方法
2015/01/28 Javascript
JavaScript基于对象去除数组重复项的方法
2016/10/09 Javascript
微信小程序 教程之数据绑定
2016/10/18 Javascript
Javascript数组中push方法用法分析
2016/10/31 Javascript
Bootstrap select多选下拉框实现代码
2016/12/23 Javascript
详解nodejs微信公众号开发——4.自动回复各种消息
2017/04/11 NodeJs
基于构造函数的五种继承方法小结
2017/07/27 Javascript
Angular js 实现添加用户、修改密码、敏感字、下拉菜单的综合操作方法
2017/10/24 Javascript
Vue中$refs的用法详解
2018/06/24 Javascript
Python itertools模块详解
2015/05/09 Python
举例讲解Django中数据模型访问外键值的方法
2015/07/21 Python
Python 爬虫爬取指定博客的所有文章
2016/02/17 Python
python3中str(字符串)的使用教程
2017/03/23 Python
python 基本数据类型占用内存空间大小的实例
2018/06/12 Python
python中对数据进行各种排序的方法
2019/07/02 Python
基于python二叉树的构造和打印例子
2019/08/09 Python
简单了解python关键字global nonlocal区别
2020/09/21 Python
Python之字符串的遍历的4种方式
2020/12/08 Python
教师现实表现材料
2014/02/14 职场文书
亲属关系公证书
2014/04/08 职场文书
预备党员公开承诺书
2014/05/28 职场文书
党员志愿者活动方案
2014/08/28 职场文书
银行员工考核评语
2014/12/31 职场文书
2015年六一儿童节演讲稿
2015/03/19 职场文书
2016春季幼儿园开学寄语
2015/12/03 职场文书
用Python监控你的朋友都在浏览哪些网站?
2021/05/27 Python
为Centos安装指定版本的Docker
2022/04/01 Servers
SQL试题 使用窗口函数选出连续3天登录的用户
2022/04/24 Oracle