Python 查找中文字符串

前言

最近项目有遇到一个国际化的需求，要把项目中的中文（非注释性质）找出来，以便给专业翻译公司翻译。幸运的是，项目所用框架是支持多语言的。然而，在二次开发的过程中，由于没有强制要求「充分使用语言包」的开发规范，程序猿开发的时候为了省事，自然是「随心所欲」。因此，项目中的所有文件都有可能包含中文。

对于目录结构不深、代码文件数较少的项目来说，人工去翻阅代码进行匹配是一种可行的方式。不巧的是，日积月累的业务需求导致项目并不满足上述条件。都说 Python 强大，前阵子也学了些皮毛，刚好可以小试牛刀。

注：本文使用的为 Python 3

Show My Code

简易匹配

import re
regex = r"[\u4e00-\u9fa5]+"
teststr = "Hi, 我是一个字符串，我包含中文"
matches = re.findall(regex, teststr)
for match in matches:
    print(match)

以上代码将从字符串中找出所有中文，以数组形式存放进 matches 中。遍历数组并输出匹配结果：

我是一个字符串
我包含中文

进阶匹配

最基本的功能目前实现了，下面只要把逐个打开文件，再逐行匹配就能达到目的。考虑到项目特点，中文字符串大多数出现在引号（包括单引号、双引号）之中，需要对匹配式稍作修改。

import codecs
import re
import os

def list_all_files(rootdir):  
    files = []
    # 列出文件夹下所有的目录与文件
    list = os.listdir(rootdir)  
    for i in range(0, len(list)):  
           path = os.path.join(rootdir, list[i])  
           if os.path.isdir(path):  
              files.extend(list_all_files(path))  
           if os.path.isfile(path):  
              files.append(path)  
    return files

# 项目目录
path = r"D:\wamp64\www\project"
files = list_all_files(path)
regex = r"(['])([^']*[\u4e00-\u9fa5]+.*?)\1|([\"])([^\"]*[\u4e00-\u9fa5]+.*?)\1"
for file in files:
    f = open(file, "r", encoding="utf8")
    for line in f.readlines():
        matches = re.findall(regex, line)
        for match in matches:
            print(match[1])
    f.close()