在文本处理、数据清洗等场景中，提取汉字是高频需求。比如从混合文本中筛选纯汉字内容等。而正则表达式能高效实现提取汉字的目标。本文将分享3种常用的正则提取汉字方法，通过实测对比其适用场景与局限性，帮你找到最优方案。

一、3种正则提取汉字方法

正则表达式中，提取汉字的常用写法有三类，核心语法如下：

1.[一-龟]+：以汉字“一”和“龟”为边界，覆盖常见汉字区间；

2.[\x{4e00}-\x{9fa5}]+：基于Unicode编码，锁定U+4E00至U+9FA5的基本汉字集；

3.\p{han}+：采用Unicode属性匹配，直接定位所有汉字类型字符。

二、实测对比

1.普通汉字提取

面对“你好”“工作”等日常简体汉字，以及“罷”“體”等常用繁体字，三种方法均能精准提取，无明显差异，满足日常基础使用需求。

2.生僻字与特殊汉字

当遇到“龢”“龠”等生僻字时

  • [一-龟]+因编码区间仅覆盖至U+9FA5前，无法识别U+9FA5之后的生僻字，提取失败；
  • [\x{4e00}-\x{9fa5}]+能覆盖基本生僻字，但遗漏“〇”这类特殊汉字；
  • 而\p{han}+可轻松提取所有生僻字及“〇”，适配性更强。

Excel正则函数提取汉字：[一-龟] 和 \p{han} 的3种方法对比-趣帮office教程网

3.局限分析

  • [一-龟]+：书写简洁易记，但编码区间不完整，遗漏6个生僻字及“〇”，适用范围有限；
  • [\x{4e00}-\x{9fa5}]+：覆盖99%常用简繁体汉字，精度较高，但书写繁琐，且不包含特殊汉字与扩展区汉字；
  • \p{han}+：无明显短板，可匹配所有Unicode定义的汉字，包括扩展区生僻字，语法规范且意图明确。

三、优先使用\p{han}+

综合来看，\p{han}+是提取汉字的最优解

  • 覆盖最全面，包含简体、繁体及生僻字等符；
  • 适配性强，支持Unicode扩展区汉字，应对复杂文本无压力；
  • 语法简洁直观，无需记忆编码区间，降低使用门槛。

结语

正则提取汉字的核心是平衡覆盖范围与使用便捷性。掌握这三种方法的适用边界，能让汉字提取更高效精准。