这是我第一次在 Stack 上发帖。如果有人能帮助我解决这个问题,我将不胜感激。
我正在尝试从包含以下内容的文本文件中删除 Unicode 字符(在我的例子中为 \x3a
):
10\x3a00\x3a00
最终输出应该是:
100000
基本上,我们被指示删除
\xXX
的所有痕迹,其中 X
可以是以下任何一个: 0123456789ABCDEF
。我尝试使用正则表达式如下删除任何 \xXX
。Re.sub(‘\\\x[a-fA-F0-9]{2}’,””, a)
其中“
a
”是文本文件的一行。当我尝试这样做时,我收到一条错误消息“
invalid \x escape
”。我已经为此苦苦挣扎了几个小时。我的正则表达式有什么问题?
最佳答案
人物"\x3a"
不是多字节 Unicode 字符。它是 ASCII 字符 ":"
.一旦你指定了字符串 "\x3a"
,它在内部存储为字符 ":"
. Python 没有看到任何 "\"
Action 发生。所以你不能去掉"\x3a"
作为多字节 Unicode,因为 Python 只能看到单字节 ASCII 字符 ":"
.
$ python
>>> '\x3a' == ':'
True
>>> "10\x3a00\x3a00" == "10:00:00"
True
查看维基百科文章的描述部分 UTF-8 .查看范围内的字符
U+0000-U+007F
编码为单个 ASCII 字符。如果要去除非 ASCII 字符,请执行以下操作:
>>> print u'R\xe9n\xe9'
Réné
>>> ''.join([x for x in u'R\xe9n\xe9' if ord(x) < 127])
u'Rn'
>>> ''.join([x for x in 'Réné' if ord(x) < 127])
'Rn'
如果您想保留欧洲字符但丢弃具有更高码位的 Unicode 字符,则更改
127
在 ord(x) < 127
到一些更高的值(value)。帖子replace 3 byte unicode ,有另一种方法。您还可以使用以下方法去除代码点范围:
>>> str = u'[\uE000-\uFFFF]'
>>> len(str)
5
>>> import re
>>> pattern = re.compile(u'[\uE000-\uFFFF]', re.UNICODE)
>>> pattern.sub('?', u'ab\uFFFDcd')
u'ab?cd'
请注意,使用
\u
可能比使用 \x
更容易用于指定字符。另一方面,您可以使用字符串
"\\x3a"
你可以去掉。当然,该字符串实际上不是多字节 Unicode 字符,而是 4 个 ASCII 字符。$ python
>>> print '\\x3a'
\x3a
>>> '\\x3a' == ':'
False
>>> '\\x3a' == '\\' + 'x3a'
True
>>> (len('\x3a'), len('\\x3a'))
(1, 4)
您还可以去掉 ASCII 字符
":"
:>>> "10:00:00".replace(":", "")
'100000'
>>> "10\x3a00\x3a00".replace(":", "")
'100000'
>>> "10\x3a00\x3a00".replace("\x3a", "")
'100000'
关于python-2.7 - 从 Python 文本文件中的字符串中删除 '\x',我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/46656104/