re

python中的re库用于正则化，相当于一个过滤器，可以过滤掉不需要的字符，得到自己想要的。

import re
import jieba
rule = re.compile(r"^[\u4e00-\u9fa5]+$")
text='我是卖报的小行家哈哈哈，happy new year！'
words=[]
seg = jieba.posseg.cut(text)
for s in seg:
    if len(s.word)>1 and re.search(rule, s.word) and\
    s.flag in ["a", "v", "x", "n", "an", "vn", "nz", "nt", "nr"]:
        words.append(s.word)
print(words)

　　

运行结果是：

['卖报', '行家']

 

其中，\u4e00-\u9fa5表示匹配中文字符，\u4e00是在编码中中文字符开始的值，\u9fa5是中文字符结束的值。

jieba.posseg.cut(text) 可以对段落进行词的划分，划分结果是有两个属性，一个是词word，一个是词性flag。

re.split(r'第.{1,3}章\n', text)[1:]

表示按照章节划分text，其中.{1,3}表示匹配除换行意外的字符1到3次，总的来说可以匹配"第□□□章\n".