python - 从Python中的字符串中去除不可打印的字符？

Question

所以目前我正在尝试找出特定单词在页面上出现的次数。

我的Python代码有这个:

print(len(re.findall(secondAnswer, page)))

0

经过仔分割析，我注意到print(secondAnswer) 给了我一个不同的答案“太平洋”

来自 print(ascii(secondAnswer)) 'Paci\ufb01c'

我有一种感觉，len(re.findall(secondAnswer, page)) 中的 secondaryAnswer 值正在使用“Paci\ufb01c”，因此在页面上找不到任何匹配项。

有人可以给我一些关于如何解决这个问题的提示吗？

谢谢，尼克

Answer 1

Unicode 字符 fb01 是 fi ligature 。也就是说，就 Python 而言，它是单个字符，但在显示时显示为两个(并列的)字符。

要将连字分解为单独的字符，您可以使用 unicodedata.normalize 。例如:

page = unicodedata.normalize("NFKD", page)

或者在这种特定情况下，您可以编写正则表达式来接受连字作为 fi 字符序列的替代，例如通过使用非捕获组的交替:paci (?:fi|fi)c.