Q&A
任意のUnicode文字というのはたとえばどのようなものですか？
pythonで英語のテキストファイルのなかにある日本語等（ユニコード文字）を削除しようとおもっているのですが、うまくいきません
たとえば、\u3067がテキストファイルに書かれているとして
\u3067を削除することはできます
削除自体は以下に示すように、空白と置換しています
python
1match2 = re.search("[a-zA-Z0-9.-\u3067*/]*\u3067*[a-zA-Z0-9.-\u3067*/]*", doc2[0]) 2 if match2: 3 doc2[0] = doc2[0].replace(match2.group(0), " ") 4
しかし、任意のユニコード文字を扱うときにどのように記述してよいかわかりません
正規表現を用いて、書けないか試行錯誤していたのですができませんでした
どのように記述すればよいか教えていただけるとありがたいです
テキストファイルのなかの文字が膨大で、どのユニコード文字があるかわからないので、たとえば\u3067もですし、\u00e9など、自分も全部把握できていないので、任意としました
回答1件
0
ベストアンサー
いわゆる半角文字以外をマッチさせるという発想ではダメなのでしょうか。
python
1match2 = re.sub(r"[^\x00-\x7F]", "", doc2[0])
投稿2017/11/22 14:20
総合スコア13671
一文字だったらできました！
しかし
これが何文字も続く場合はどうすればよいでしょうか
また、「aab\3067ssa」のように、単語の途中に
ユニコード文字が入る場合はどうすればよいですか？
できました！ありがとうございます！
できたのですが、もう一つ問題があって
文字列に二つ以上ユニコード文字が含まれている場合に
ヒットしてくれません
例
"aaaaa aaa\u3067 fff\u3068 gagag"
ヒットしてくれないというのは
一つはヒットするのですが、
その他のユニコード文字にはヒットしてくれないという意味です
できました。すみません
あなたの回答
tips
プレビュー
