Python和使用Unicode

Question

正則表達式我需要從字符串刪除一些Unicode的符號「بسماللهالرحمنالرحيم」

我知道他們存在這裏肯定。我試過了：

re.sub('([\u064B-\u0652\u06D4\u0670\u0674\u06D5-\u06ED]+)', '', 'بِسْمِ اللَّهِ الرَّحْمَٰنِ الرَّحِيمِ') 

但它不起作用。字符串保持不變。我究竟做錯了什麼？

Answer 1

你使用的是Python 2.x還是3.0？

如果您使用的是2.x，請嘗試使用「u」將正則表達式字符串設置爲unicode轉義字符串。由於它是正則表達式，所以將正則表達式字符串設爲原始字符串是'好'的做法。另外，將整個模式放在括號中是多餘的。

re.sub(ur'[\u064B-\u0652\u06D4\u0670\u0674\u06D5-\u06ED]+', '', ...) 

http://docs.python.org/tutorial/introduction.html#unicode-strings

編輯：

這也是使用re.UNICODE/re.U/Unicode的正則表達式標誌很好的做法，但它不僅影響性格類別名狀（U？） \ w或\ b，其中這種模式不使用任何，所以不會受到影響。

Answer 2

使用unicode字符串。使用re.UNICODE標誌。

>>> myre = re.compile(ur'[\u064B-\u0652\u06D4\u0670\u0674\u06D5-\u06ED]+', 
         re.UNICODE) 
>>> myre 
<_sre.SRE_Pattern object at 0xb20b378> 
>>> mystr = u'بِسْمِ اللَّهِ الرَّحْمَٰنِ الرَّحِيمِ' 
>>> result = myre.sub('', mystr) 
>>> len(mystr), len(result) 
(38, 22) 
>>> print result 
بسم الله الرحمن الرحيم 

通過喬爾斯波斯基稱爲The Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Character Sets (No Excuses!)