如何用正則表達式匹配漢字的所有相關字符

一個看似簡單的需求，但網上流傳甚廣的[u4e00-u9fa5]其實有點問題。

如何用正則表達式匹配漢字的所有相關字符#

從維基百科上 Unicode 頁面的歷史章節給出的碼表範圍就能發現：中文互聯網流傳甚廣的[u4e00-u9fa5]應該是只計算了【CJK Unified Ideographs】內的漢字，但這部分的內容其實只占了全部漢字的五分之一。雖然 CJK Unified Ideographs 以使用頻率來分區，但如果是開發語言文字相關的專業工具的話，最好全面覆蓋所有相關字符。

範圍	名稱	字數
U+4E00 - U+9FFF	CJK Unified Ideographs	20,992
U+3400 - U+4DBF	CJK Unified Ideographs Extension A	6,592
U+20000 - U+2A6DF	CJK Unified Ideographs Extension B	42,720
U+2A700 - U+2B738	CJK Unified Ideographs Extension C	4,154
U+2B740 - U+2B81D	CJK Unified Ideographs Extension D	222
U+2B820 - U+2CEA1	CJK Unified Ideographs Extension E	5,762
U+2CEB0 - U+2EBE0	CJK Unified Ideographs Extension F	7,473
U+30000 - U+3134A	CJK Unified Ideographs Extension G	4,939
U+31350 - U+323AF	CJK Unified Ideographs Extension H	4,192
U+2EBF0 - U+2EE5F	CJK Unified Ideographs Extension I	622
合計		97,668

如果遇到了 UniCode 相關的問題，最好的方法還是查閱 Unicode 官方提供的文檔 Unicode 15.1 Character Code Charts，文檔裡提到和漢字相關的字符除了上面的【CJK Unified Ideographs】，還有漢字相關的符號（部首、注音符號、拼音）、私有區等等。

下面給一個 Python 實現的例子：

"""匹配漢字相關字符"""
import re

# noinspection RegExpDuplicateCharacterInClass
ideographs_reg = re.compile(
    r"""(?P<cjk_unified_ideographs>[\u4E00-\u9FFF])|
        (?P<extension_a>[\u3400-\u4DBF])|
        (?P<extension_b>[\u20000-\u2A6DF])|
        (?P<extension_c>[\u2A700-\u2B738])|
        (?P<extension_d>[\u2B740-\u2B81D])|
        (?P<extension_e>[\u2B820-\u2CEA1])|
        (?P<extension_f>[\u2CEB0-\u2EBE0])|
        (?P<extension_g>[\u30000-\u23134A])|
        (?P<extension_h>[\u31350-\u323AF])|
        (?P<extension_i>[\u2EBF0-\u2EE5F])|
        (?P<compatibility_ideographs>[\uF900-\uFAFF])| # 兼容區：([\x{F900}-\x{FAD9}])
        (?P<compatibility_ideographs_supplement>[\u2F800-\u2FA1F])| # 兼容擴展區：([\x{2F800}-\x{2FA1D}])
        (?P<kangxi_radicals>[\u2F00-\u2FDF]) | # 康熙部首：([\x{2F00}-\x{2FD5}])
        (?P<radicals_supplement>[\u2E80-\u2EFF]) | # 部首擴展：([\u2E80-\u2EF3])
        (?P<cjk_strokes>[\u31c0-\u31ef]) | # 漢字筆畫：([\u31C0-\u31E3])
        (?P<ideographic_description_characters>[\u2FF0-\u2FFF]) #漢字結構：([\u2FF0-\u2FFB])
        (?P<bopomofo>[\u3100-\u312F])| # 漢語注音：([\u3105-\u312F])
        (?P<bopomofo_extend>[\u31A0-\u31BF])| # 注音擴展：([\u31A0-\u31BA])
        (?P<private_use_area>[\uE000-\uF8FF])| # 私有區：([\uE000-\uF8FF])
        (?P<supplementary_private_use_area_a>[\uF0000-\uFFFFF])| # 私用PUA-A：([\uF0000-\uFFFFF])
        (?P<supplementary_private_use_area_b>[\u100000-\u10FFFD])| # 私用PUA-B：([\u100000-\u10FFFF])
"""
)


def match_chinese_ideographs(input_text: str) -> bool:
    """匹配是否含有漢字相關字符

    Args:
        input_text (str): 需要匹配的字符串

    Returns:
        只要包含漢字相關的字符就返回 True
    """
    result = False
    for char in input_text:
        if re.search(ideographs_reg, char) is not None:
            print(re.match(ideographs_reg, char).groupdict())
            result = True
    return result

match_chinese_ideographs("食物")

補充#

感謝 amob 提供的建議：

我剛剛看到你博客寫的關於正則匹配漢字的文章，我個人對此有些經驗（無聊處理過一些生僻字特多的詞典）。目前 \p {han} 還只是基於 Unicode 13.0 的，許多新漢字都無法匹配，\p {Unified_Ideograph}/u 沒用過，估計匹配不了一些特殊情況。

經站內高人 jcz777 指點，目前最理想的匹配碼位如下：

基本區：([\x{3007}\x{4e00}-\x{9fff}])
A區：([\x{3400}-\x{4DBF}])
B區：([\x{20000}-\x{2A6DF}])
C區：([\x{2A700}-\x{2B73F}])
D區：([\x{2B740}-\x{2B81F}])
E區：([\x{2B820}-\x{2CEA1}])
F區：([\x{2CEB0}-\x{2EBE0}])
G區：([\x{30000}-\x{3134A}])
H區：([\x{31350}-\x{323AF}])
I區：([\x{2EBF0}-\x{2EE5F}])
兼容區：([\x{F900}-\x{FAD9}])
兼容擴展區：([\x{2F800}-\x{2FA1D}])
康熙部首：([\x{2F00}-\x{2FD5}])
漢字筆畫：([\x{31C0}-\x{31E3}])
漢字結構：([\x{2FF0}-\x{2FFB}])
漢語注音：([\x{3105}-\x{312F}])
注音擴展：([\x{31A0}-\x{31BA}])
部首擴展：([\x{2E80}-\x{2EF3}])
私有區：([\x{E000}-\x{F8FF}])
私用PUA-A：([\x{F0000}-\x{FFFFF}])
私用PUA-B：([\x{100000}-\x{10FFFF}])

再算上這幾個，
𝍦、𝍳、𝍳、𝍴、𝍵
〡、〢、〣、〤、〥、〦、〧、〨、〩、〸

參考#

JavaScript 正則表達式匹配漢字：[[Python]] 沒有這篇文章的提到的/\p{Unified_Ideograph}/u、和/\p{Script=Han}/u類似的方法，感覺可以寫一個第三方庫的價值（攤手

Python：组合方式构建复杂正则：介紹了一種在實際開發場景下，如何構建易於修改和調試的正則用法。