python - 特定模式的正则表达式

Question

所以我出现了以 \u 开头的字符串，后跟各种形式的 4 字符十六进制 (它们不是 unicode 对象，而是数据中的实际字符串，这就是为什么我会想清理数据) 并想用空格替换那些出现的地方。

示例文本文件:Hello\u2022 Created, reviewed,\u00e9executed and maintained

例如:会出现字符串\u2022和\u00e9，我想找到\u 并将其连同 4 个字符的子字符串 2022 和 00e9 一起删除。我正在为这种模式寻找合适的正则表达式。

示例代码:

import json
import io
import re

files = glob('Candidate Profile Data/*')

for file_ in files:
    with io.open(file_, 'r', encoding='us-ascii') as json_file:
        json_data = json_file.read().decode()
        json_data = re.sub('[^\x00-\x7F]+',' ',json_data)
        json_data = json_data.replace('\\n',' ')
        json_data = re.sub(r'\\u[0-9a-f]{,4}',' ',json_data)

        print json_data
        json_data = json.loads(json_data)
        print(json_data)

Answer 1

确实，我们需要您的代码示例，但作为指针，我认为您需要的正则表达式类似于 r'\\u[0-9a-f]{,4}'

这是一个使用示例:

>>> import re
>>> my_string='Hello \\u2022 Created, reviewed, \\u00e9executed and maintained'
>>> my_string
'Hello \\u2022 Created, reviewed, \\u00e9executed and maintained'
>>> re.sub(r'\\u[0-9a-f]{,4}',"",my_string)
'Hello  Created, reviewed, executed and maintained'

仍然希望看到您的 CODE 示例，以便我们提供更准确的答案