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!

新規登録して質問してみよう
ただいま回答率
85.35%
Unicode

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。

正規表現

正規表現とは特定の文字列によるパターンマッチングを行う際に用いられる宣言型プログラミングです。

Python

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。

Q&A

解決済

1回答

4164閲覧

pythonの正規表現でunicodeを削除したい

TanakaJirou

総合スコア18

Unicode

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。

正規表現

正規表現とは特定の文字列によるパターンマッチングを行う際に用いられる宣言型プログラミングです。

Python

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。

0グッド

0クリップ

投稿2020/08/22 07:09

前提・実現したいこと

pythonの正規表現でunicodeを削除したいです

'あいうえお\ud83c\udf38かきくけこ\u3000さしすせそ'

'あいうえおかきくけこさしすせそ'

というようにしたいです

発生している問題・エラーメッセージ

SyntaxError: (unicode error) 'unicodeescape' codec can't decode bytes in position 56-59: truncated \uXXXX escape

該当のソースコード

python

1text = 'あいうえお\ud83c\udf38かきくけこ\u3000さしすせそ' 2pattern = r'\u[a-zA-Z0-9_]{4}' 3# pattern = '\u3000' 4text = re.sub(pattern,'',text) 5print(text)

試したこと

おそらくバックスラッシュ周りのエラーだと思ったので、試行錯誤したのですがうまく動きませんでした。。。

補足情報(FW/ツールのバージョンなど)

ここにより詳細な情報を記載してください。

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MY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。

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

guest

回答1

0

ベストアンサー

まずtextの中身の各文字はすべてUNICODEであることを認識ください。
そのうえで、どのような文字を取り除きたいかを明確にする必要があります。

以下、2つの方法でとりあえず求める結果を得ることができます。

Python

1text = 'あいうえお\ud83c\udf38かきくけこ\u3000さしすせそ' 2 3# 方法1:制限のあるエンコーディングに変換する 4ret = text.encode('cp932',errors='ignore').decode('cp932') 5ret = ret.replace('\u3000','') 6print(ret) # あいうえおかきくけこさしすせそ 7 8# 方法2:特定のカテゴリを除く 9# Other, Surrogate(その他,サロゲート)とSeparator, Line(区切り,行)を除く 10import unicodedata 11ret = ''.join([c for c in text if unicodedata.category(c) not in ('Cs','Zs')]) 12print(ret) # あいうえおかきくけこさしすせそ

投稿2020/08/22 07:48

can110

総合スコア38341

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

TanakaJirou

2020/08/22 08:00

2patternも教えていただきありがとうございます やりたいことが出来ました! 制限のあるエンコーディングに変換するはわかりやすいですね! >UNICODEであることを認識ください。 これは認識出来てませんでした\uXXXX部分のみがUnicodeだと思っていました。。。 勉強します。ありがとうございました
guest

あなたの回答

tips

太字

斜体

打ち消し線

見出し

引用テキストの挿入

コードの挿入

リンクの挿入

リストの挿入

番号リストの挿入

表の挿入

水平線の挿入

プレビュー

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
85.35%

質問をまとめることで
思考を整理して素早く解決

テンプレート機能で
簡単に質問をまとめる

質問する

関連した質問