從字符串的角度來說，中文不如英文整齊、規(guī)范，這是不可避免的現(xiàn)實。本文結(jié)合網(wǎng)上資料以及個人經(jīng)驗，以 python 語言為例，稍作總結(jié)。歡迎補充或挑錯。
一點經(jīng)驗
可以使用 repr()函數(shù)查看字串的原始格式。這對于寫正則表達式有所幫助。
Python 的 re模塊有兩個相似的函數(shù)：re.match(), re.search 。兩個函數(shù)的匹配過程完全一致，只是起點不同。match只從字串的開始位置進行匹配，如果失敗，它就此放棄；而search則會鍥而不舍地完全遍歷整個字串中所有可能的位置，直到成功地找到一個匹配，或者搜索完字串，以失敗告終。如果你了解match的特性（在某些情況下比較快），大可以自由用它；如果不太清楚，search通常是你需要的那個函數(shù)。
從一堆文本中，找出所有可能的匹配，以列表的形式返回，這種情況用findall()這個函數(shù)。例子見后面的代碼。
utf8下，每個漢字占據(jù)3個字符位置，正則式為[/x80-/xff]{3}，這個都知道了吧。
unicode下，漢字的格式如/uXXXX，只要找到對應(yīng)的字符集的范圍，就能匹配相應(yīng)的字串，方便從多語言文本中挑出所需要的某種語言的文本。不過，對于像日文這樣的粘著語，既有中文字符，又有平假名片假名，或許結(jié)果會有所偏差。
兩種字符類可以并列在一起使用，例如，平假名、片假名、中文的放在一起，u"[/u4e00-/u9fa5/u3040-/u309f/u30a0-/u30ff]+"，來自定義所需要匹配的文本。
匹配中文時，正則表達式和目標字串的格式必須相同。這一點至關(guān)重要。或者都用默認的utf8，此時你不用額外做什么；如果是unicode，就需要在正則式之前加上u""格式。
可以這樣定義unicode字符串：string=u"我愛正則表達式"。如果字串不是unicode的，可以使用unicode()函數(shù)轉(zhuǎn)換之。如果你知道源字串的編碼，可以使用newstr=unicode(oldstring, original_coding_name)的方式轉(zhuǎn)換，例如 linux 下常用unicode(string, "utf8")，windows 下或許會用cp936吧，沒測試。
例程序