Desarrollo de Python
  1. Desarrollo de Python
  3. Python regex con problema de caracteres Unicode (japonés)
Intereting Posts
Creación de un objeto Counter () y Pandas DataFrame separados para cada lista dentro de una lista de listas ¿Cómo puedo verificar si una cadena representa un int, sin usar try / except? Impresión de los tiempos de ejecución de las pruebas y determinación de las pruebas lentas con py.test SOAP 1.2 cliente de python este constructor no toma argumentos Python 3.2 – cookielib Crea instancias de la clase Rect de opencv 3 en Python Comprobación variable, algo no correcto Python – lee el archivo de texto con el formato utf-16 extraño Python URLRetrieve Limit Rate y reanudar la descarga parcial Intersección de 2d y 1d matriz Numpy Cómo configurar la variable env en el cuaderno Jupyter En Python, la forma más rápida de crear una lista de archivos en un directorio con una cierta extensión Pasar la información de autenticación del compendio apache2 a un script wsgi ejecutado por mod_wsgi Cómo obtener un nombre de aplicación usando python en django

Python regex con problema de caracteres Unicode (japonés)

Quiero eliminar parte de una cadena (que se muestra en negrita) a continuación, esto se almacena en la cadena oldString

[DMSM-8433] 加 護 加 依 Kago Ai – 加 護 亜 亜 FR vs. VIERNES

Estoy usando el siguiente regex dentro de python 

p=re.compile(ur"( [\W]+) (?=[A-Za-z ]+–)", re.UNICODE) newString=p.sub("", oldString)

cuando salgo el newString nada se ha eliminado

Puede utilizar el siguiente fragmento de código para resolver el problema: 

 #!/usr/bin/python # -*- coding: utf-8 -*- import re str = u'[DMSM-8433] 加護亜依 Kago Ai – 加護亜依 vs. FRIDAY' regex = u'[\u3000-\u303f\u3040-\u309f\u30a0-\u30ff\uff00-\uff9f\u4e00-\u9faf\u3400-\u4dbf]+ (?=[A-Za-z ]+–)' p = re.compile(regex, re.U) match = p.sub("", str) print match.encode("UTF-8")

Ver la demo de IDEONE.

Junto a # -*- coding: utf-8 -*- statement, he añadido la clase de caracteres de @ nhahtdh para detectar símbolos japoneses .

Tenga en cuenta que la match debe codificarse como cadena UTF-8 “manualmente”, ya que Python 2 debe ser “recordado”, estamos trabajando con Unicode todo el tiempo.

Creo que deberías usar una expresión regular como esta: 

 ([\p{Hiragana}\p{Katakana}\p{Han}]+)

Consulte también esta documentación.

EDITAR: También lo he probado aquí .