之前用UltraEdit的正则表达式(RE)处理Unicode的文件非常强大,但是仅限于替换(就是把匹配的项目替换成某一个指定的内容)。而在指定RE时比较新的版本已经能够指定是UltraEdit模式,Unix模式,还是Perl模式。因为Python支持的RE就是Perl模式,所以就想着用Python处理就非常灵活,经过一番折腾后就有了这篇简单的分享。
目的 : 找出所有每句话中直到出现文字前的所有控制符(用<>表示),该文本是unicode编码。
解决办法: 活用python的RE和codec模块
pattern=u"(^(<E/w+(/s/w+)*>)+)",就是我写的正则表达式,拆分一下就是(/w,匹配所有的字母和数字,/s,匹配空格等特殊字符)
<E/w+(/s/w+)*>,匹配 <E102 0000>, <E1D1>,<E100 0001 0003 0004 0005>等情况
^(<E/w+(/s/w+)*>)+,匹配所有从字符串最开始到遇到非控制码之前的所有的控制码
这里要注意下,如果要让python获得所有的匹配结果,必须再加一层大括号。
结果 :