python 匹配文字全形轉半形字元
阿新 • • 發佈:2019-02-18
在對文字進行處理的時候經常會遇見要對括號和標點進行匹配
常見的英文(半形)符號如( ) 直接用正則匹配即可
但是遇見全形字元(中文括號、標點),直接用正則匹配會存在問題:
因為編碼通常為為utf8,若直接匹配,中文括號的3位元組編碼會和一些中文的位元組編碼重複,產生意想不到的結果
若用decode轉為unicode編碼,則可避免產生錯誤結果,但也無法直接用正則匹配到
經過試驗,發現一個看上去最佳的解決方法:
將字串decode之後呼叫一個將全形符號轉為半形符號的方法,然後處理返回的字串
def strQ2B(ustring): """全形轉半形""" rstring = "" for uchar in ustring: inside_code=ord(uchar) if inside_code == 12288: #全形空格直接轉換 inside_code = 32 elif (inside_code >= 65281 and inside_code <= 65374): #全形字元(除空格)根據關係轉化 inside_code -= 65248 rstring += unichr(inside_code) return rstring def p(s): s1 = strQ2B(s.decode()) p = re.compile('[()]',re.S) s1 = p.sub('',s1) return s1
這種方法本質上就是將正則的pattern字元和目標的編碼對應, 所以將正則的字串也用unicode表示就好可以:如下
#!/usr/bin/env python
#-*- coding: utf-8 -*-
import sys
reload(sys)
sys.setdefaultencoding('utf8')
import re
if __name__ == '__main__':
s = '123(45)a啊速度(傷害)有限公司'
ss = re.sub(u'[()()]', '', s.decode())
print ss
總的來說 兩種方法都還是有必要存在的。
第二種方法簡單直接 如果能快速方便列出所有形式的待匹配符號,就果斷選用第二個
反之,若待匹配的各種符號太多太繁瑣,就統一轉為半形再處理更好