[英]Extract unicode characters within a certain range from a string
我有一個帶有很多垃圾字符的文本文件。
https://raw.githubusercontent.com/shantanuo/marathi_spell_check/master/dicts/sample.txt
我只需要保留天神角色。 預期的干凈輸出看起來像這樣...
भूमी
भूमी
भूमीला
भैय्यासाहेब
भैरवनाथ
भैरवी
भैरव
गावापासून
गा
按照此頁面,我需要提取U + 090到U + 097的Unicode范圍之間的所有字符https://en.wikipedia.org/wiki/Devanagari_(Unicode_block)
我嘗試了這段代碼,但是返回了一些外來字符。
def remove_junk(word):
mylist=list()
for i in word:
if b'9' in (i.encode('ascii', 'backslashreplace')):
mylist.append(i)
return (''.join(mylist))
with open('sample2a.txt', 'w') as nf:
with open('sample.txt') as f:
for i in f:
nf.write(remove_junk(i) + '\n')
您可以使用正則表達式刪除不在Unicode范圍U + 0900-U + 097F內的所有字符。
import re
p = re.compile(r'[^\u0900-\u097F\n]') # preserve the trailing newline
with open('sample.txt') as f, open('sample2a.txt', 'w') as nf:
for line in f:
cleaned = p.sub('', line)
if cleaned.strip():
nf.write(cleaned)
最少的代碼樣本
import re
text = '''
‘भूमी
‘भूमी’
‘भूमी’ला
‘भैय्यासाहेब
‘भैरवनाथ
‘भैरवी
‘भैरव’
ﻇﻬﻴﺮ
(ページを閲覧しているビジターの使用言語)。
(缺少文字)
गावापासून
गा
'''
p = re.compile(r'[^\u0900-\u097F\n]')
for line in text.splitlines():
cleaned = p.sub('', line)
if cleaned.strip():
print(cleaned)
# भूमी
# भूमी
# भूमीला
# भैय्यासाहेब
# भैरवनाथ
# भैरवी
# भैरव
# गावापासून
# गा
我不了解Python,但是我想可以像在JavaScript中一樣在正則表達式中使用Unicode屬性,因此可以使用Devanagari腳本屬性以某種方式修改以下腳本:
var text =
`‘भूमी
‘भूमी’
‘भूमी’ला
‘भैय्यासाहेब
‘भैरवनाथ
‘भैरवी
‘भैरव’
ﻇﻬﻴﺮ
(ページを閲覧しているビジターの使用言語)。
(缺少文字)
गावापासून
�गा`;
console.log (text.replace (/[^\r\n\p{Script=Devanagari}]/gu, ""));
產生:
भूमी
भूमी
भूमीला
भैय्यासाहेब
भैरवनाथ
भैरवी
भैरव
गावापासून
गा
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.