Desarrollo de Python
  1. Desarrollo de Python
  3. Python regex con problema de caracteres Unicode (japonés)
Intereting Posts
¿Se pueden usar pesos de muestra en pystan o pymc3? StringIO de Python no hace bien con las declaraciones `with` La mejor manera de usar la traducción de Google por Python Diagtwig de dispersión de Python matplotlib: cambio de color de los puntos de datos según las condiciones dadas ¿Cómo escribo con elegancia / eficiencia la función __init__ para una clase de Python que toma muchas variables de instancia? Método de extensión para los tipos incorporados de Python! Cómo anotar el recuento con una condición en un queryset de Django Escritura concurrente con sqlite3 ¿Cómo obtener la ruta completa del directorio del archivo actual en Python? ¿Cómo convertir una cadena desde CP-1251 a UTF-8? ¿Detecta archivos MP3 duplicados con diferentes tasas de bits y / o diferentes tags ID3? Python: evitar las advertencias de pylint sobre demasiados argumentos ¿Cómo manipulo bits en Python? ¿Por qué PyImport_Import no puede cargar un módulo del directorio actual? ¿Cómo configuro los permisos (atributos) en un archivo en un archivo ZIP usando el módulo zipfile de Python?

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 .