中文标点符号 Unicode 范围？

如何解决中文标点符号 Unicode 范围？

根据CJK Unicode Ideographs，中日韩的Unicode范围是：

• CJK 统一表意文字 (4E00-9FCC) [\u4E00-\u9FCC]
• CJK 统一表意文字扩展 A (3400-4DB5) [\u3400-\u4DB5]
• CJK 统一表意文字扩展 B (20000-2A6D6) [\ud840-\ud868][\udc00-\udfff]|\ud869[\udc00-\uded6]
• CJK 统一表意文字扩展 C (2A700-2B734) \ud869[\udf00-\udfff]|[\ud86a-\ud86c][\udc00-\udfff]|\ud86d[\udc00-\udf34]
• CJK 统一表意文字扩展 D (2B840-2B81D) \ud86d[\udf40-\udfff]|\ud86e[\udc00-\udc1d]
• CJK 兼容表意文字 (F900-FA6D/FA70-FAD9) 中的 12 个字符，但实际上是 CJK 统一表意文字 [\uFA0E\uFA0F\uFA11\uFA13\uFA14\uFA1F\uFA21\uFA23\uFA24\uFA27-\uFA29]

但是，我查了中文标点符号？(\uFF01)和！(\uFF1F)不在范围内。我可以知道包括标点在内的所有汉字的Unicode范围是多少？

其实我是在做Python汉字的RegEx，但是无法获取到汉字内的内容：

import re
sample3 = "「在看星星嗎？閣下！」"

result = re.search(r"\u300c([\u4e00-\u9fff\u31c0-\u31ef\u31f0-\u31ff\u3200-\u32ff\u3300-\u33ff\u3400-\u4dbf\u4dc0-\u4dff\u4e00-\u9fff]+)\u300d",sample3)
print(result)

没有结果。我想提取句子：

在看星星吗？八八！

仅供参考，上面这句话的意思是：“先生，你在看星星吗？”

谢谢。

解决方法

这不是一个容易回答的问题，因为“汉字”的概念并没有严格的定义。您提到的“全角”标点符号肯定用于中文排版，但它们可用于需要更宽字符的任何上下文。包含全角标点符号的 Unicode 块还包含 91 个“ASCII”可打印字符的全角版本，这些字符可用于拉丁字母的中文排版。那是不是把它们变成了汉字？这将取决于您的应用程序。该 Unicode 块还包含一些 CJK 标点符号、片假名字母和一些韩文形式的“半角”版本。等等。

Unicode 肯定有一个“脚本”的概念，每个 Unicode 符号都被分配给 Unicode 字符数据库 (UCD) 中的一个主要脚本。您可以找到 script property table here（适用于 Unicode 版本 13.0.0）。在该列表中，“Han”脚本中包含以下字符：

2E80..2E99    ; Han # So  [26] CJK RADICAL REPEAT..CJK RADICAL RAP
2E9B..2EF3    ; Han # So  [89] CJK RADICAL CHOKE..CJK RADICAL C-SIMPLIFIED TURTLE
2F00..2FD5    ; Han # So [214] KANGXI RADICAL ONE..KANGXI RADICAL FLUTE
3005          ; Han # Lm       IDEOGRAPHIC ITERATION MARK
3007          ; Han # Nl       IDEOGRAPHIC NUMBER ZERO
3021..3029    ; Han # Nl   [9] HANGZHOU NUMERAL ONE..HANGZHOU NUMERAL NINE
3038..303A    ; Han # Nl   [3] HANGZHOU NUMERAL TEN..HANGZHOU NUMERAL THIRTY
303B          ; Han # Lm       VERTICAL IDEOGRAPHIC ITERATION MARK
3400..4DBF    ; Han # Lo [6592] CJK UNIFIED IDEOGRAPH-3400..CJK UNIFIED IDEOGRAPH-4DBF
4E00..9FFC    ; Han # Lo [20989] CJK UNIFIED IDEOGRAPH-4E00..CJK UNIFIED IDEOGRAPH-9FFC
F900..FA6D    ; Han # Lo [366] CJK COMPATIBILITY IDEOGRAPH-F900..CJK COMPATIBILITY IDEOGRAPH-FA6D
FA70..FAD9    ; Han # Lo [106] CJK COMPATIBILITY IDEOGRAPH-FA70..CJK COMPATIBILITY IDEOGRAPH-FAD9
16FF0..16FF1  ; Han # Mc   [2] VIETNAMESE ALTERNATE READING MARK CA..VIETNAMESE ALTERNATE READING MARK NHAY
20000..2A6DD  ; Han # Lo [42718] CJK UNIFIED IDEOGRAPH-20000..CJK UNIFIED IDEOGRAPH-2A6DD
2A700..2B734  ; Han # Lo [4149] CJK UNIFIED IDEOGRAPH-2A700..CJK UNIFIED IDEOGRAPH-2B734
2B740..2B81D  ; Han # Lo [222] CJK UNIFIED IDEOGRAPH-2B740..CJK UNIFIED IDEOGRAPH-2B81D
2B820..2CEA1  ; Han # Lo [5762] CJK UNIFIED IDEOGRAPH-2B820..CJK UNIFIED IDEOGRAPH-2CEA1
2CEB0..2EBE0  ; Han # Lo [7473] CJK UNIFIED IDEOGRAPH-2CEB0..CJK UNIFIED IDEOGRAPH-2EBE0
2F800..2FA1D  ; Han # Lo [542] CJK COMPATIBILITY IDEOGRAPH-2F800..CJK COMPATIBILITY IDEOGRAPH-2FA1D
30000..3134A  ; Han # Lo [4939] CJK UNIFIED IDEOGRAPH-30000..CJK UNIFIED IDEOGRAPH-3134A

但是许多字符被归类为“通用”，这意味着它们与任何特定脚本无关。这包括上面提到的全角和半角变体。此外，Unicode 包含的字符的唯一目的是与前面的字符组合或表示某种排版效果；此类字符的脚本名称为“继承”，这意味着它们继承了附近某个字符的脚本。 （对于组合字符，脚本名称是前面的基本字符的脚本名称，但还有其他“继承字符”，例如零宽度连接符和非连接符（U+200C 和 U+200D），对于这些字符，有是其他规则。）

全角变体的代码为 U+FF01..U+FF60 和 U+FFE0..U+FFE6； U+FF00 块的其余部分包含半角变体和一些未分配的代码点。见the code chart。

通过搜索 Scripts UCD 表，我还发现了以下名称中包含缩写“CJK”的字符：

31C0..31E3    ; Common # So  [36] CJK STROKE T..CJK STROKE Q
1F210..1F23B  ; Common # So  [44] SQUARED CJK UNIFIED IDEOGRAPH-624B..SQUARED CJK UNIFIED IDEOGRAPH-914D
1F240..1F248  ; Common # So   [9] TORTOISE SHELL BRACKETED CJK UNIFIED IDEOGRAPH-672C..TORTOISE SHELL BRACKETED CJK UNIFIED IDEOGRAPH-6557

但我认为这还不是一个详尽的清单；也有代表麻将牌的字符，例如，可能被认为是“中国人”。通常，所有指定为“通用”的字符在任何脚本中都将被视为有效，但您可以根据自己的意愿或多或少地进行区分。

有关 Script 和 Script_Extension 属性的完整讨论，请参阅 Unicode Standard Annex 24,the Unicode Script Property。