为什么gbk编码常用抽取正则表达式无法抽取"嘚瑟"的“嘚”字

根据"GBK汉字内码扩展规范编码表"——http://ff.163.com/newflyff/gbk-list/

可以查到"嘚"字的编码为874e

而我们常用的gbk汉字抽取正则表达式为[\x80-\xff][\x80-\xff]

以python正则为例，抽取汉字代码如下：

regex = re.compile(r"[\x80-\xff][\x80-\xff]")

words = re.findall(regex, text)

这样是无法抽取出"嘚"字的，需要将regex改为:

regex = re.compile(r"[\x80-\xff][\x80-\xff\x4e]")

即可

另外，在linux系统上查看一个字的汉字编码的简单方式为

echo "嘚" | xxd

显示结果为：

0000000: 874e 0a

其中0a为\n字符，874e即“嘚”字的gbk编码