python - 使用正则表达式删除特殊的 Unicode 字符？

Question

我正在使用维基百科的 API 来获取一个简单的 JSON 对象，其中包含 wiki 页面的第一段，稍后我想使用文本转语音将其读给用户。然而，有些文章有正确发音的特殊转录。例如，当我点击 Chihuahua 的链接时JSON 中的文本如下所示:“The Chihuahua/t\u0283\u026a\u02c8w\u0251\u02d0w\u0251\u02d0/(西类牙语:chihuahue\u00f1o)是最小的狗品种” 我的问题是，删除发音部分的正则表达式是什么(并且可能删除任何 Unicode 特殊字符:\u 和之后的 4 个字符)？

尝试 re.sub("\/.+\/", "", test) 只是在彼此后面添加另一个 \ \ >.

Answer 1

(假设现在您正在使用 Python，因为您使用了 re.sub ，并且您只想删除 /tʃɪˈwɑːwɑː/ 因为您的示例正则表达式。)

首先，您需要对正则表达式模式使用 Python 的原始字符串表示法，因为 Python 对其他内容使用反斜杠 ( source )；在正则表达式的字符串文字前面放置一个 r ，您的原始示例可能就足够了。

无论如何，您的方向是正确的 - Unicode 不需要对此处的示例进行任何特殊处理。您只需删除两个斜杠之间的所有内容即可。我还会限制斜杠之间的匹配空格，这样您就不会捕获文档中相距较远的两个单斜杠之间的所有内容。以下内容在 Python 2.7.12 REPL 中对我有用:

>>> re.sub(r'\/[^/\s]+\/\s*', '', "The Chihuahua /t\u0283\u026a\u02c8w\u0251\u02d0w\u0251\u02d0/ (Spanish: chihuahue\u00f1o) is the smallest breed of dog")
'The Chihuahua (Spanish: chihuahue\\u00f1o) is the smallest breed of dog'

这是正则表达式的分解:

\/    # Match opening slash on the pronunciation expression
[^    # Begin a negated character set
  /     # Exclude the forward-slash /
  \s    # Also exclude all whitespace
]+    # Match one or more character that is not a slash or whitespace
\/    # Match closing slash on the pronunciation expression
\s*   # Capture any whitespace that follows, too