Python: 如何使用正则表达式从字符串中去除 \u200b？

Question

Python: 如何使用正则表达式从字符串中去除 \u200b？

12

我有一个网页爬虫，将论坛问题分成单个词并将其写入文本文件。这些单词存储在一组元组的列表中。每个元组包含单词及其频率。就像这样...

[(u'move', 3), (u'exploration', 4), (u'prediction', 21),
 (u'find', 5), (u'user', 2), (u'interface', 2), (u'pleasant', 2),
 (u'am', 11), (u'puzzled', 2), (u'find', 5), (u'way', 5),
 (u'prediction', 21), (u'mode', 2), (u'have', 21),
 (u'explored', 2), (u'file', 9), (u'Can', 7), (u'help', 6),
 (u'Possible', 1), (u'bug', 2), (u'data', 31), (u'is', 17)

然而，论坛上一些人使用了字符 \u200b，这破坏了我的代码，因为该字符不再是Unicode空白字符。

(u'used\u200b', 1)

打印不会出现错误，但写入文本文件会出错。我发现 string.strip() 和 string.replace() 都没有用，所以想知道如何使用正则表达式库来去掉那个字符。我计划遍历整个元组列表来找到它。

- ceilingfan999

为什么您说这不是Unicode空格字符？这确实就是它。U+200B - tripleee

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- roeland · Accepted Answer

我测试了Python 2.7，replace的表现符合预期：

>>> u'used\u200b'.replace(u'\u200b', '*')
u'used*'

and so does strip:

同样适用于strip：

>>> u'used\u200b'.strip(u'\u200b')
u'used'

请记住，这些函数的参数必须是Unicode字面量。应该使用u'\u200b'而不是'\u200b'。注意开头的u。

实际上，将该字符写入文件可以正常工作。

>>> import codecs
>>> f = codecs.open('a.txt', encoding='utf-8', mode='w')
>>> f.write(u'used\u200bZero')

请参考以下资源：