質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

91.35%

  • Python

    3812questions

    Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

  • Unicode

    46questions

    Unicodeはエンコーディングの標準規格です。1つの文字コード体系で多国語の表現を可能にすることを目指して作られています。

pythonで英語のテキストファイルの編集、置換(unicord)

解決済

回答 1

投稿 2017/11/22 19:46 ・編集 2017/11/22 21:02

  • 評価
  • クリップ 1
  • VIEW 106

kohekoh

score 86

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

match2 = re.search("[a-zA-Z0-9.-\u3067*/]*\u3067*[a-zA-Z0-9.-\u3067*/]*", doc2[0])
        if match2:
            doc2[0] =  doc2[0].replace(match2.group(0), " ")

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

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

質問への追記・修正、ベストアンサー選択の依頼

  • sizumita

    2017/11/22 21:19 編集

    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?

    キャンセル

  • kohekoh

    2017/11/22 21:24

    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

    キャンセル

回答 1

checkベストアンサー

0

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。 

match2 = re.sub(r"[^\x00-\x7F]", "", doc2[0])

投稿 2017/11/22 23:20

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2017/11/24 12:07

    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?

    キャンセル

  • 2017/11/24 13:06

    できました!ありがとうございます!

    キャンセル

  • 2017/11/24 14:14

    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

    "aaaaa aaa\u3067 fff\u3068 gagag"

    キャンセル

  • 2017/11/24 14:18

    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

    キャンセル

  • 2017/11/24 14:34

    できました。すみません

    キャンセル

15分調べてもわからないことは、teratailで質問しよう!

ただいまの回答率

91.35%

関連した質問

同じタグがついた質問を見る

  • Python

    3812questions

    Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

  • Unicode

    46questions

    Unicodeはエンコーディングの標準規格です。1つの文字コード体系で多国語の表現を可能にすることを目指して作られています。