Python檢測生僻字的實現方法

解決思路

首先想到的就是利用 python 的Regex來匹配非法字元，然後找出非法記錄。然而理想總是豐滿的，現實卻是殘酷的。在實現的過程中，才發現自己對於字元編碼、以及 python 內部字串表示的相關知識的缺乏。在這期間，踩過了不少坑，到最後雖然還有些模糊的地方，但總算有一個總體清晰的瞭解。在此記錄下心得，避免以後在同一個地方跌倒。

以下的測試環境是 ArcGIS 10.3 內建的 python 2.7.8 環境，不保證其他 python 環境也適用。

python Regex

python 中的正則功能由內嵌的 re 函數庫提供，主要用到 3 個函數。re.compile() 提供可重用的Regex，match() 和 search() 函數返回匹配結果，兩者之間的區別在於： match() 從指定位置開始匹配，search() 會從指定位置向後搜尋直到找到匹配字串。例如下面的代碼中，match_result 從第一個字元 f 開始匹配，匹配失敗返回空值；search_result 從 f 開始向後搜尋，直到找到第一個匹配的字元 a, 然後通過 group() 函數輸出匹配結果為字元 a。

import repattern = 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()

以上的實現方式需要先編譯一個 pattern，然後再進行匹配。實際上，我們可以直接利用 re.match(pattern, string) 函數來實現相同的功能。但是直接匹配的方式沒有先編譯再匹配的方式靈活，首先是Regex沒辦法重用，如果大量資料進行同一模式比對，意味著每次都需要內部編譯，造成效能損失；另外，re.match() 函數沒有 pattern.match() 功能強大，後者可以指定從哪個位置開始匹配。

編碼問題

瞭解 python 正則的準系統後，剩下的事情就是找到一個合適的Regex來匹配生僻字和非法字元。非法字元很簡單，採用以下 pattern 就可以實現匹配：

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

然而對於生僻字的匹配，著實難倒了我。首先是對於生僻字的定義，什麼樣的字算生僻字？經過諮詢專案經理，規定非 GB2312 的字元屬於生僻字。接下來的問題是，如何匹配 GB2312 字元？

經過查詢，GB2312 的範圍是 [\xA1-\xF7][\xA1-\xFE] ，其中漢字區的範圍是 [\xB0-\xF7][\xA1-\xFE] 。因此，添加生僻字匹配後的運算式為：

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

問題似乎是順理得當地解決了，然而我還是 too simple too naive 。由於要判斷的字串都是從圖層檔案讀取的，arcpy 貼心地將讀取的字元編碼為 unicode 格式。因此，我需要找出 GB2312 字元集在 unicode 中的編碼範圍。但現實是，GB2312 字元集在 unicode 中的分布並不是連續的，使用正則表示這個範圍必定是非常複雜的。使用Regex匹配生僻字的構想，似乎陷入了死胡同。

解決方案

既然提供的字串是 unicode 格式，那麼我可不可以將其轉換為 GB2312 再進行匹配呢？實際上是不行，因為 unicode 字元集要遠大於 GB2312 字元集，因此 GB2312 => unicode 總是可以實現的，而反過來 unicode => GB2312 不一定能成功。

這突然為我提供了另外一種思路，假設一個字串的 unicode => GB2312 轉換會失敗，那麼是不是恰恰說明了它不屬於 GB2312 字元集？所以，我使用 unicode_string.encode('GB2312') 函數嘗試轉換字串，捕獲 UnicodeEncodeError 異常來識別生僻字。

最終的代碼如下：

import redef 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

總結

以上就是這篇文章的全部內容了，希望本文的內容對大家的學習或者工作能帶來一定的協助，如果有疑問大家可以留言交流。

