如何用正则表达式匹配汉字的所有相关字符

一个看似简单的需求，但网上流传甚广的[u4e00-u9fa5]其实有点问题。

从维基百科上 Unicode 页面的歴史章节给出的码表范围就能发现不对劲：中文互联网流传甚广的[u4e00-u9fa5]应该是只计算了【CJK Unified Ideographs】内的汉字，但这部分的内容其实只占了全部汉字的五分之一。虽然CJK Unified Ideographs 以使用频率来分区，但如果是开发语言文字相关的专业工具的话，最好全面覆盖所有相关字符。

如果遇到了 UniCode 相关的问题，最好的方法还是查阅 Unicode 官方提供的文档 Unicode 15.1 Character Code Charts。

下面给一个Python实现的例子：

"""匹配汉字相关字符"""
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])| # 兼容区：([\x{F900}-\x{FAD9}])
        (?P<compatibility_ideographs_supplement>[\u2F800-\u2FA1F])| # 兼容扩展区：([\x{2F800}-\x{2FA1D}])
        (?P<kangxi_radicals>[\u2F00-\u2FDF]) | # 康熙部首：([\x{2F00}-\x{2FD5}])
        (?P<radicals_supplement>[\u2E80-\u2EFF]) | # 部首扩展：([\u2E80-\u2EF3])
        (?P<cjk_strokes>[\u31c0-\u31ef]) | # 汉字笔画：([\u31C0-\u31E3])
        (?P<ideographic_description_characters>[\u2FF0-\u2FFF]) #汉字结构：([\u2FF0-\u2FFB])
        (?P<bopomofo>[\u3100-\u312F])| # 汉语注音：([\u3105-\u312F])
        (?P<bopomofo_extend>[\u31A0-\u31BF])| # 注音扩展：([\u31A0-\u31BA])
        (?P<private_use_area>[\uE000-\uF8FF])| # 私有区：([\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:
    """匹配是否含有汉字相关字符

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

    Returns:
        只要包含汉字相关的字符就返回 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")

补充

感谢 amob 提供的建议：

我刚刚看到你博客写的关于正则匹配汉字的文章，我个人对此有些经验（无聊处理过一些生僻字特多的词典）。目前\p{han}还只是基于Unicode 13.0的，许多新汉字都无法匹配，\p{Unified_Ideograph}/u没用过，估计匹配不了一些特殊情况。

经站内高人jcz777指点，目前最理想的匹配码位如下：

基本区：([\x{3007}\x{4e00}-\x{9fff}])
A区：([\x{3400}-\x{4DBF}])
B区：([\x{20000}-\x{2A6DF}])
C区：([\x{2A700}-\x{2B73F}])
D区：([\x{2B740}-\x{2B81F}])
E区：([\x{2B820}-\x{2CEA1}])
F区：([\x{2CEB0}-\x{2EBE0}])
G区：([\x{30000}-\x{3134A}])
H区：([\x{31350}-\x{323AF}])
I区：([\x{2EBF0}-\x{2EE5F}])
兼容区：([\x{F900}-\x{FAD9}])
兼容扩展区：([\x{2F800}-\x{2FA1D}])
康熙部首：([\x{2F00}-\x{2FD5}])
汉字笔画：([\x{31C0}-\x{31E3}])
汉字结构：([\x{2FF0}-\x{2FFB}])
汉语注音：([\x{3105}-\x{312F}])
注音扩展：([\x{31A0}-\x{31BA}])
部首扩展：([\x{2E80}-\x{2EF3}])
私有区：([\x{E000}-\x{F8FF}])
私用PUA-A：([\x{F0000}-\x{FFFFF}])
私用PUA-B：([\x{100000}-\x{10FFFF}])

再算上这几个，
𝍲、𝍳、𝍳、𝍴、𝍵
〡、〢、〣、〤、〥、〦、〧、〨、〩、〸

参考

JavaScript 正则表达式匹配汉字：[[Python]]没有这篇文章的提到的/\p{Unified_Ideograph}/u、和/\p{Script=Han}/u类似的方法，感觉可以写一个第三方库的价值（摊手

Python： 组合方式构建复杂正则：介绍了一种在实际开发场景下，如何构建易于修改和调试的正则用法。