在python正則表達式中使用unicode字符的正確方法是什么

Question

在使用Python 2.7抓取某些文檔的過程中，我遇到了一些惱人的頁面分隔符，我決定刪除它們。 分隔符使用一些時髦的字符。 我已經在這里問了一個關於如何讓這些字符顯示他們的utf-8代碼的問題。 使用了兩個非ASCII字符： '\\xc2\\xad'和'\\x0c' 。 現在，我只需要刪除這些字符，以及一些空格和頁碼。

在 SO的其他地方 ，我看到unicode字符與正則表達式一起使用，但它是一種奇怪的格式，我沒有這些字符，例如'\«' 。 此外，它們都不使用ASCII以及非ASCII字符。 最后，python文檔對正則表達式中的unicode主題非常清楚......有關標志的事情......我不知道。 有人可以幫忙嗎？

這是我目前的用法，它沒有做我想要的：

re.sub('\\xc2\\xad\s\d+\s\\xc2\\xad\s\\x0c', '', my_str)

Answer 1

而不是找出具體的不必要的字符，你可以刪除一切不想要的東西：

re.sub('[^\\s!-~]', '', my_str)

這會丟棄所有字符：

• 空格（空格，制表符，換行符等）
• 可打印的“普通”ascii字符（ !是第一個可打印的字符， ~是小數點后的最后一個128）

如果需要，您可以包含更多字符 - 只需調整字符類。

Answer 2

我有同樣的問題，我知道這不是有效的方式，但在我的情況下工作

 result = re.sub(r"\\" ,",x,x",result)
 result = re.sub(r",x,xu00ad" ,"",result)
 result = re.sub(r",x,xu" ,"\\u",result)