我已经通过pdftotext -raw /path/to/pdf.pdf /path/to/output.txt在 ubuntu 中使用将 pdf 文档转换为文件。我使用sample = open("/path/to/output.txt").read(). 现在示例具有未解码的 unicode 字符串，如\xe2\x80\x99. 我想用正则表达式替换它们''。我使用了模式re.sub(r"""\\\\"""," ",sample),re.sub(r'\\x..',"",sample),re.sub(r'\\\\x..'," ",sample)
例如拿这个
abc="[email protected]\n\x0c"
re.sub(r'\\x..',"",abc)
re.sub(r'\\\\x..'," ",abc)
abc.encode("ascii","ignore")
我评估\\x..模式使用此在线正则表达式测试仪选择语言蟒蛇也该和使用的\\\\x..基础上，从参考模式这太问题的答案，但都让我[email protected]\n\x0c作为输出。它不会删除那些 unicode 字符串。我不想使用该模式，\\\w..因为它可能会选择转义序列。即使我尝试了 abc.encode('utf8') ，它会抛出UnicodeDecodeError. 我明白这个问题是因为\x??被读取为字符串，但我不知道如何解决这个问题。
如果您想对解决方案运行测试，请使用这些：
182\nWheel of Life, 24\xe2\x80\x9325, 135\xe2\x80\x93136
\n194\xe2\x80\x93195
CTI\xe2\x80\x99s\ntraining enables participants
80\xe2\x80\x9383
这些测试字符串的预期输出应该是
182\nWheel of Life, 2425, 135136
\n194195
CTIs\ntraining enables participants
8083
笔记：
我也试过
abc=abc.decode("utf-8")
abc=abc.encode("ascii","ignore")
这将删除部分文字，但我仍然能看到一些类似的字符串\x0c是换，所以我想只是正则表达式的方式来替换这些字符串。
试过正则表达式：
abc="CTIinfo@th\x0c\xc0ecoaches.com\n\x0c" #input
re.sub(r'[\\x[a-fA-F0-7]-\\x[a-fA-F0-7]]+',' ',abc)
re.sub(r'[^\x00-\x7F]+',' ',abc)
re.sub(r'\\x..',"",abc)
re.sub(r'\\\\x..'," ",abc)
请添加拒绝投票的原因。因为它会帮助我理解我的错误。问题可能很简单，但需要解决方案。我在发这里之前做了很多研究和实验，我希望人们会重视它们
找到了字符范围的修复，\x00-\x7f包括键盘中的所有字符，因此re.sub(r'[^\x00-\x7f]+','', abc)替换了每个字符，结果是''
不可打印的字符\f\v被python解释器识别\x0c\x0b为其他不可打印的字符被识别为例如：\n\r\b被识别为\n\r\b. 因此，为了仅替换\x0c\x0b哪些是\f\v要跳过其他转义序列和字符，正则表达式将是re.sub(r'[\x0b-\x0c]','',(re.sub(r'[^\x00-\x7f]+','', abc)))或re.sub(r'[^\x00-\x7f]+','', abc).replace("\f","").replace("\v","")也可以工作
正则表达式\x0b,\x0c从替换的字符串中替换，并保留其他不可打印的字符。这也被做str.replace()的\f and \v
只有这两个字符在 python 识别上不同，因为只有这些字符结合了其他两个转义序列的功能。
例子：
\f ==> \n+\r
\v ==> \n+\t
本文收集自互联网，转载请注明来源。
如有侵权，请联系 [email protected] 删除。
我来说两句