最常用方式是正则匹配unicode汉字区间：[\u4e00-\u9fff]覆盖常用字，[\u3400-\u4dbf]含扩展a区生僻字，[\u3000-\u303f]含中文标点；可组合使用，如re.findall(r'[\u4e00-\u9fff]+', text)提取连续汉字。
Python3 提取汉字，核心是利用正则表达式匹配 Unicode 中文字符范围，或借助第三方库（如 jieba）做分词后筛选。最常用、轻量、无需额外依赖的方式是正则匹配。
用正则表达式提取纯汉字
中文汉字在 Unicode 中主要位于 \u4e00–\u9fff（基本汉字区），但实际还包含扩展 A 区（\u3400–\u4dbf）、扩展 B 区（部分超大字符集）、标点（如\u3000–\u303f）等。日常使用中，覆盖常用字可组合多个区间：
-
[\u4e00-\u9fff]：最常用，覆盖现代简体/繁体高频汉字 -
[\u3400-\u4dbf]：CJK 扩展 A（生僻字、古籍用字） -
[\u3000-\u303f\u3040-\u309f\u30a0-\u30ff]：中文全角标点、平假名、片假名（按需添加）
示例代码：
import re <p>text = "Hello你好！123世界?，测试「abc」。" hanzi = re.findall(r'[\u4e00-\u9fff]+', text) print(hanzi) # ['你好', '世界', '测试']
注意：+ 表示连续汉字连成一个字符串；若要单字拆分，改用 r'[\u4e00-\u9fff]'。
立即学习“Python免费学习笔记（深入）”；
保留汉字并去除其他所有字符（包括空格标点）
适合清洗文本、构造纯汉字序列：
cleaned = re.sub(r'[^\u4e00-\u9fff]', '', text) print(cleaned) # '你好世界测试'
这个方法简单直接，但会丢弃所有非汉字内容，不含换行、空格、英文数字等。
用 jieba 分词后再过滤汉字（适合语义级提取）
当需要区分“词语”而非单字（比如排除“的”“了”等虚词，或保留“人工智能”这类复合词），可用 jieba 先分词，再按需筛选：
import jieba <p>text = "Python很强大，自然语言处理很重要！" words = jieba.lcut(text) hanzi_words = [w for w in words if re.fullmatch(r'[\u4e00-\u9fff]+', w)] print(hanzi_words) # ['Python', '很', '强大', '自然语言处理', '很重要']
⚠️ 注意：jieba 默认会保留英文单词（如 'Python'），所以需用正则二次判断是否纯汉字。若只想留中文词，建议加条件 len(w) > 1 and re.fullmatch(...) 过滤单字虚词（依任务而定）。
处理带拼音/注音/日文混排的文本
若文本含拼音（如 “zhong guo”）、日文假名或注音符号（ㄅㄆㄇ），可扩展正则范围或先清洗：
- 兼容常见拼音字母 + 空格 + 常见声调符号（如 ˉ ˊ ˇ ˋ）：一般建议先用正则剥离非汉字块，再对剩余部分提取
- 稳妥做法：先用
[^\u4e00-\u9fff\u3400-\u4dbf\u3000-\u303f]+替换为统一占位符，再提取
例如清理后只留汉字和中文标点：
basic_chinese = re.sub(r'[^\u4e00-\u9fff\u3000-\u303f]', ' ', text).strip() hanzi_only = ''.join(hanzi for hanzi in basic_chinese if '\u4e00' <= hanzi <= '\u9fff')
不复杂但容易忽略细节：Unicode 范围要写对，避免漏掉扩展区；正则用 re.findall 比 re.search 更适合批量提取；分词+过滤适合有语义要求的场景。
