提取中文字符串应使用unicode范围正则匹配，基础为[\u4e00-\u9fa5]+，扩展需包含\u3400-\u4dbf、\uf900-\ufaff等区，配合中文标点并启用re.u标志。
要提取中文字符串，关键是用正则匹配汉字字符，而不是依赖英文或数字的常见模式。中文在 Unicode 中主要落在 \u4e00-\u9fa5 范围（基本汉字），但实际应用中需考虑更全的覆盖，比如生僻字、扩展 A 区（\u3400-\u4dbf）、标点（\u3000-\u303f）等。
基础写法：匹配常用汉字
最简方式是使用 Unicode 范围：
[\u4e00-\u9fa5]+
这能捕获绝大多数简体、繁体常用字，适合标题、人名、普通文本中的中文段落。注意：+ 表示“一个或多个”，避免只匹配单字；若要允许空格或顿号等分隔符，可补充进去，如：
[\u4e00-\u9fa5\u3000-\u303f\uff00-\uffef]+（含中文空格、标点、全角 ASCII）
兼顾生僻字和扩展区
如果文本含古籍、人名用字或日韩汉字，建议扩大范围：
[\u4e00-\u9fff\u3400-\u4dbf\uf900-\ufaff]+
其中：
• \u4e00-\u9fff：基本汉字 + 扩展 B/C/D/E（主流支持）
• \u3400-\u4dbf：扩展 A 区（康熙字典偏旁、生僻字）
• \uf900-\ufaff：兼容汉字（常用于港澳台及古籍）
实际提取时的注意事项
• 使用 re.findall() 最直接，返回所有匹配的中文子串列表
• 若需提取“连续中文+中间可能夹杂中文标点”的短语，可加入中文标点范围，例如：
[\u4e00-\u9fa5\u3002\uff1b\uff0c\uff1a\u201c\u201d\u2018\u2019\u3001\u3000\uff08\uff09\u3014\u3015\u3010\u3011\u3008\u3009\u300a\u300b\u300c\u300d\u300e\u300f\u3016\u3017]+
• 避免误匹配：某些西文符号（如 ①②）或数学符号（ⅠⅡ）不在上述范围，无需额外添加，除非明确需要
• Python 中记得加 re.U 标志（即 re.UNICODE），尤其在旧版本中确保 \w 或 \b 正确识别中文
简单示例（Python）
import re
text = "Hello世界！今天是2024年3月，测试：张三、李四。"
chinese = re.findall(r'[\u4e00-\u9fa5]+', text)
print(chinese) # 输出：['世界', '今天是', '测试', '张三', '李四']
