好久没写东西了，除了确实比较摆的主观原因之外还有要搞那个SMP 2023的复赛的客观原因。那个项目写着感觉也还学到或者说复习了不少东西，包括正则表达式、操作数据库还有用HuggingFace库对生成式模型的生成参数做调整等，这些以后有时间单独写一篇。

今天这篇只谈一个很小的点，就是假设随便给一个字符串，如何判断里面的文本是不是数字呢？

这个方案其实还挺多，最简单的就是直接float强转一下然后错误处理，出错的肯定就不是数字了。但实际上，Python已经在字符串里给出了很方便的函数来判断是不是数字，但是也比较容易混淆，即isnumeric和isdigit方法。

两者的异同

首先先说一下两者的共同点，就是它们对于阿拉伯整数都有很好地判断能力，比如：

1
2
3
a = "12345"
a.isnumeric(), a.isdigit()
# True, True

但是isnumeric的范围是更广的，它甚至可以识别中文的数字表达：

1
2
3
a = "三百二十一"
a.isnumeric(), a.isdigit()
# True, False

这非常的夸张，如果我们只想要阿拉伯数字构成的文本，用isnumeric方法之后会把汉字的数字字符也当成数字，在后面要进行转换的时候就可能出问题，所以这种情况下我们应该用isdigit。

二者不是完备的数字检测方法

那是不是可以这样说呢，如果我们有处理中文表达的数字的能力，我们就可以用isnumeric把中文数字字符串放进来，反之如果我们只想要阿拉伯数字组成的字符串，就使用isdigit呢？

遗憾地是，似乎isnumeric并不能查全中文的数字表达，比如一个很常见的表达”两百“，在该方法中就会返回False，因为该方法似乎并不认为”两“是数字。

1
2
3
4
a = "两百"
b = "两"
a.isnumeric(), b.isnumeric()
# False, False

这会把很多含“两”说法的中文数字拒之门外，因此，isnumeric方法并不能很完备地识别中文数字的表达，可能需要增加一些额外的规则才能让它变得好用。

那isdigit呢，在int类型上似乎没啥问题，但同样它不能识别小数。当然这是吹毛求疵的要求，因为在英文中，"digit"通常指的是整数位数，不包括小数。所以如果你想检测一个字符串是不是阿拉伯数字组成的合法小数，那就用float尝试转换一下就可以了。

但是有实用性

尽管都不能涵盖所有情况，但是如果限制应用场景，这两个方法都能成为相当有用的方法。比如我们定义一个能查找中文和阿拉伯数字的正则表达式：

1
2
3
import re

a = re.compile("[一二两三四五六七八九十百千亿\d]+")

现在这个正则表达式能够匹配中文和阿拉伯数字，但离真正转换成int类型还有一段距离。因为由数字1-9组成的字符串只需要用int转换一下即可，但中文数字还需要进一步处理一下。因此此时isdigit方法就能充当这个路由的作用。

1
2
3
4
5
def str2int(string: str):
    if string.isdigit():
        return int(string)
    
    return chinese_to_number(string)

可以实现一个中文转数字的函数：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
def chinese_to_number(chinese_str):
    '''增强版的中文数字转int类型，支持十位及以上的中文表示转阿拉伯数字表示'''
    chinese_numbers = {
        '零': 0, '一': 1, '二': 2, '两': 2, '三': 3, '四': 4,
        '五': 5, '六': 6, '七': 7, '八': 8, '九': 9
    }

    chinese_units = {
        '十': 10, '百': 100, '千': 1000, '万': 10000, '亿': 100000000
    }

    number = 0
    temp_number = 0
    temp_unit = 1

    for char in chinese_str:
        if char in chinese_numbers:
            temp_number = chinese_numbers[char]
        elif char in chinese_units:
            temp_unit = chinese_units[char]
            if temp_unit == 10:  # 处理十的情况
                if temp_number == 0:  # 十位前没有数字，默认为1
                    temp_number = 1
                number += temp_number * temp_unit
                temp_number = 0
            else:
                number += temp_number * temp_unit
                temp_number = 0
        else:
            raise ValueError(f"无法识别的字符: {char}")

    number += temp_number
    return number

这样两者配合就能实现中文和阿拉伯文数字识别通吃了。

但是这样就完备吗，显然也是不行的，它对错误的表达天然没有抵御能力。比如“三百七千六”，它不会有告警信息而是直接转换为"7306"了，这个很难说是错是对，因为表达就不对。然后第二点是对中文和阿拉伯数字混杂的表达没有处理，比如"3百"这样的表达它也是无能为力的，但是它会报错而不是直接入库，这可以给使用者处理的空间。

小结

总结一下，如果要提取的信息确定是合规的，这些函数配合起来确实是实用的。但不要指望它们能够处理所有的问题。第二点就是对于类似的函数还是要注意一下区别，以防止误用。