蟒蛇正則表達式：如何從字符串中刪除十六進制字符月

Question

text="\xe2\x80\x94" 
print re.sub(r'(\\(?<=\\)x[a-z0-9]{2})+',"replacement_text",text) 

輸出—

我怎麼可以處理十六進制字符小數在這種情況呢？

Answer 1

您的輸入不是有反斜槓。它有3個字節，UTF-8編碼的U+2014 EM DASH字符：

>>> text = "\xe2\x80\x94" 
>>> len(text) 
3 
>>> text[0] 
'\xe2' 
>>> text.decode('utf8') 
u'\u2014' 
>>> print text.decode('utf8') 
— 

你要麼需要從UTF-8直接那些UTF-8字節，或解碼匹配unicode並匹配碼點。後者是可取的;總是試圖將文本作爲Unicode來處理，以簡化一次需要轉換多少個字符。

另請注意，Python的repr()輸出（在交互式解釋器中回顯或打印列表，字典或其他容器時使用），使用\xhh轉義序列來表示任何不可打印的字符。對於UTF-8字符串，它包含ASCII範圍之外的任何內容。你可以只用更換任何範圍之外：

re.sub(r'[\x80-\xff]+', "replacement_text", text) 

考慮到，這將在一排匹配多 UTF-8編碼的字符，並且一起替換這些作爲一個羣體！

Answer 2

您的輸入是十六進制的，而不是實際的「\ xe2 \ x80 \ x94」。 \ x只是表示以下字符應該在十六進制中解釋的方式。

這在this post中有解釋。