python - 正则表达式无法匹配 python 中的特殊符号

Question

我有一个字符串:s = "we are\xaf\x06OK\x03family, good"，我想用 \xaf,\x06 和 \x03 加上 ''，正则表达式是 pat = re.compile(r'\\[xX][0-9a-fA-F]+') ，但它无法匹配任何内容。代码如下:

pat = re.compile(r'\\[xX][0-9a-fA-F]+')
s = "we are \xaf\x06OK\x03family, good"
print(s)
print(re.sub(pat, '', s))

结果是

我们是 ¯OKfamily，很好 我们是 ¯OKfamily, good,

但是我怎样才能我们是一家人，很好

Answer 1

您犯了一个基本但常见的错误，即混淆了 Python 源代码中字符串的表示及其实际值。

Python 中有许多转义码，它们不会在源代码的常规字符串中逐字表示。例如，"\n" 表示单个换行符，即使 Python 表示法占用两个字符。反斜杠用于引入此表示法。有许多专用的转义码，如 \r、\a 等，还有一个通用符号 \x01，它允许您编写任何十六进制字符代码(\n 等同于\x0a，\r 等同于\x0d， ETC)。要表示文字反斜杠字符，您需要使用另一个反斜杠对其进行转义:"\\"。

在“原始字符串”中，不支持反斜杠转义；所以 r"\n" 代表一个包含两个字符的字符串，一个反斜杠 \ 和一个小写字母 n。您可以等效地使用非原始字符串表示法编写 "\\n" 。 r 前缀不是字符串的一部分，它只是告诉 Python 如何解释后面引号之间的字符串(即根本不解释；每个字符逐字表示自己)。

您的问题并不清楚您实际需要哪些解释，因此我将针对这两种解释提出解决方案。

这是一个包含实际反斜杠的文字字符串:

pat = re.compile(r'\\[xX][0-9a-fA-F]+')
s = r"we are \xaf\x06OK\x03family, good"
print(s)
print(re.sub(pat, '', s))

这是一个包含控制字符和非 ASCII 字符的字符串，以及用于删除它们的正则表达式替换:

pat = re.compile(r'[\x00-\x1f\x80-\xff]+')
s = "we are \xaf\x06OK\x03family, good"
print(s)
print(re.sub(pat, '', s))

另一个复杂的问题是正则表达式引擎有自己内部的反斜杠用途；我们通常更喜欢对正则表达式使用原始字符串，以免 Python 和正则表达式引擎都解释反斜杠(有时以不兼容的方式)。