Python et expression régulière avec Unicode

Question

je dois supprimer certains symboles Unicode de la chaîne « بسم الله الرحمن الرحيم »

Je sais qu'ils existent ici pour vous. J'ai essayé:

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

mais cela ne fonctionne pas. La chaîne reste la même. Qu'est-ce que je fais mal?

Answer 1

Utilisez-vous python 2.x ou 3.0?

Si vous utilisez 2.x, essayez de faire de la chaîne regex une chaîne d'échappement unicode, avec 'u'. Comme c'est regex, il est bon de faire de votre chaîne regex une chaîne brute, avec 'r'. En outre, mettre votre motif entier entre parenthèses est superflu.

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

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

Edit:

Il est aussi une bonne pratique d'utiliser le drapeau re.UNICODE/re.U/pour regexes unicode, mais il ne touche que des alias de classe de caractères comme (u?) \ w ou \ b, dont ce modèle n'en utilise pas et ne serait donc pas affecté par.

Answer 2

Utilisez les chaînes unicode. Utilisez le drapeau re.UNICODE.

>>> 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 

Lire l'article par Joel Spolsky appelé The Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Character Sets (No Excuses!)