如何用 Python 判断一个字符串里出现了多少个汉字

import re

def count_chinese_characters(text):
    """
    统计字符串中汉字的数量
    
    参数:
        text: 要统计的字符串
        
    返回:
        汉字数量
    """
    # 使用正则表达式匹配汉字
    # \u4e00-\u9fff 是汉字在Unicode中的基本范围
    # \u3400-\u4dbf 是扩展A区汉字
    # \u20000-\u2A6DF 是扩展B区汉字（需要代理对处理）
    pattern = re.compile(r'[\u4e00-\u9fff\u3400-\u4dbf]')
    matches = pattern.findall(text)
    return len(matches)

# 测试示例
if __name__ == "__main__":
    # 测试用例
    test_strings = [
        "Hello World",  # 无汉字
        "你好世界",      # 纯汉字
        "Hello 你好 World",  # 混合
        "Python编程很有趣",  # 混合
        "123abc你好",  # 数字字母汉字混合
        "𠮷𠮷𠮷",  # 扩展B区汉字（需要代理对）
    ]
    
    for text in test_strings:
        count = count_chinese_characters(text)
        print(f"字符串: '{text}'")
        print(f"汉字数量: {count}")
        print("-" * 30)

这个函数的核心是使用正则表达式匹配汉字字符。主要注意点：

1. Unicode范围：

   • \u4e00-\u9fff：基本汉字区（20992个字符）
   • \u3400-\u4dbf：扩展A区（6582个字符）

2. 扩展B区处理： 对于扩展B区汉字（如"𠮷"），上面的正则表达式可能无法完全匹配。如果需要支持所有汉字，包括扩展B区，可以使用更全面的正则表达式：

   pattern = re.compile(r'[\u4e00-\u9fff\u3400-\u4dbf\U00020000-\U0002A6DF]', re.UNICODE)
   

   注意：扩展B区使用\U00020000-\U0002A6DF表示，且需要re.UNICODE标志。

3. 代理对问题： 扩展B区汉字在Python字符串中通常以代理对形式存在，正则表达式可以正确处理。

4. 性能考虑： 对于大量文本处理，预编译正则表达式（如示例所示）可以提高性能。

5. 边界情况：

   • 空字符串：返回0
   • 纯英文/数字：返回0
   • 混合内容：只统计汉字部分

一句话建议：用正则匹配Unicode汉字范围最直接。

jieba

面试算法题既视感。。。逃~~