Python正則表達式替換\\ u2022

Question

這是我的字符串：

raw_list = u'Software Engineer with a huge passion for new and innovative products. Experienced gained from working in both big and fast-growing start-ups.  Specialties \u2022 Languages and Frameworks: JavaScript (Nodejs, React), Android, Ruby on Rails 4, iOS (Swift) \u2022 Databases: Mongodb, Postgresql, MySQL, Redis \u2022 Testing Frameworks: Mocha, Rspec xxxx Others: Sphinx, MemCached, Chef.'

我正在嘗試僅用空格替換\• 。

x=re.sub(r'\u2022', ' ', raw_list)

但這不起作用。 我究竟做錯了什么？

Answer 1

您正在使用帶有r的原始字符串。 這告訴Python從字面上解釋字符串，而不是實際使用轉義字符（例如\\ n）。

>>> r'\u2022'
'\\u2022'

您可以看到它實際上是一個雙反斜杠。 相反，您想使用>>> u'\•' ，然后它將起作用。

請注意，由於您要進行簡單的替換，因此只能使用str.replace方法：

x = raw_list.replace(u'\u2022', ' ')

您只需要使用正則表達式替換即可進行復雜的模式匹配。

Answer 2

除非您使用Unicode字符串文字，否則\\uhhhh轉義序列沒有任何意義。 不用於Python，也不用於re模塊。 添加u前綴：

re.sub(ur'\u2022', ' ', raw_list)

注意那里的ur 。 那是原始的unicode字符串文字； 這仍然會解釋\\uhhhh Unicode轉義序列（但在其他方面與標准原始字符串文字模式相同）。 re模塊本身不支持此類轉義序列（但它支持大多數其他Python字符串轉義序列）。

不必在這里使用正則表達式，一個簡單的unicode.replace()就足夠了：

raw_list.replace(u'\u2022', u' ')

或者您可以使用unicode.translate() ：

raw_list.translate({0x2022: u' '})

Answer 3

這是我的方法，更改正則表達式模式，您可以嘗試

re.sub(r'[^\x00-\x7F]+','',raw_list)

出[1]：u'軟件工程師，對新的創新產品充滿熱情。 從大型和快速成長的初創公司工作中積累的經驗。 特殊語言和框架：JavaScript（Nodejs，React），Android，Ruby on Rails 4，iOS（Swift）數據庫：Mongodb，Postgresql，MySQL，Redis測試框架：Mocha，Rspec xxxx其他：Sphinx，MemCached，Chef。

Answer 4

關鍵是將unicode u添加到要查找的unicode字符之前-在本例中為\• ，它是項目符號的unicode字符。 如果您的文本包含unicode字符，則您的文本實際上是unicode文本，而不是字符串（您可以通過打印文本並在開頭查找u來進行確認）。 請參見下面的示例，在該示例中，我同時在字符串和unicode文本上使用正則表達式（RegEx）搜索Unicode項目符號字符：

導入正則表達式包：

 import re 

Unicode文字：

my_string = """\u2022 Here\'s a string of data. \n<br/>\u2022There are new 
line characters \n, HTML line break tags <br/>, and bullets \u2002 together in 
a sequence.\n<br/>\u2022 Our goal is to use RegEx to identify the sequences."""

type(my_string)     #string 

串：

 my_string = """\• Here\\'sa string of data. \\n<br/>\•There are new line characters \\n, HTML line break tags <br/>, and bullets \  together in a sequence.\\n<br/>\• Our goal is to use RegEx to identify the sequences.""" type(my_string) #string 

我們成功找到了要查找的第一段文本，但該段文本尚未包含unicode字符：

re.findall('\n<br/>\\\\u', my_unicode)

re.findall('\n<br/>\\\\u', my_string)

加上unicode字符，找不到任何子字符串：

 re.findall('\\n<br/>\•', my_unicode) re.findall('\\n<br/>\•', my_string) 

添加四個反斜杠適用於該字符串，但不適用於unicode文本：

 re.findall('\\n<br/>\\\\\\\\u\u0026#39;, my_unicode) re.findall('\\n<br/>\\\\\\\\u\u0026#39;, my_string) 

解決方案：在unicode字符前面包括unicode u ：

 re.findall('\\n<br/>' u'\•', my_unicode)