Python und regulären Ausdruck mit Unicode

Question

Ich brauche einige Unicode-Zeichen aus dem String ‚بسم الله الرحمن الرحيم‘

Ich weiß, dass sie existieren sicher hier zu löschen. Ich habe versucht:

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

aber es funktioniert nicht. String bleibt gleich. Was mache ich falsch?

Answer 1

Verwenden Sie Python 2.x oder 3.0?

Wenn Sie 2.x verwenden, versuchen Sie, die Regex-Zeichenfolge mit 'u' als Unicode-Escape-Zeichenfolge zu definieren. Da es Regex ist, ist es eine gute Übung, die Regex-Zeichenkette mit 'r' zu einer rohen Zeichenkette zu machen. Außerdem ist es überflüssig, das gesamte Muster in Klammern zu setzen.

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

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

Edit:

Es ist auch ratsam, die re.UNICODE/re.U/Flag für Unicode reguläre Ausdrücke zu verwenden, aber es wirkt sich nur auf Zeichenklasse Aliasnamen wie (u?) \ w or \ b, von denen dieses Muster keine verwendet und daher nicht beeinflusst werden würde.

Answer 2

Verwenden Sie unicode Strings. Verwenden Sie die re.UNICODE Flagge.

>>> 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 

den Artikel von Joel Spolsky lesenThe Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Character Sets (No Excuses!)