Question

所以我试图使用python将文本写入Microsoft Word文档。该代码完美地工作，除非它与非ascii字符运行时。当发生这种情况时，我会受到以下错误的欢迎。

ValueError：所有字符串必须兼容XML：Unicode或ASCII，无NULL字节或控制字符

我试图通过使用正则表达式来拔出和替换非ascii字符来解决这个问题。 re.sub(pattern, repl, string, count=0, flags=0)似乎会起作用。这是我扔在一起的代码：

match1 = re.search(ur'Ê¼', bodyHTML)
match2 = re.search(ur'ï¬', bodyHTML)
match3 = re.search(ur'ï¬‚', bodyHTML)
if match1:
    print 'Match 1'
    bodyHTML = re.sub(ur'Ê¼', "'", bodyHTML)
if match3:
    print 'Match 3'
    bodyHTML = re.sub(ur'ï¬‚', 'fl', bodyHTML)
if match2:
    print 'Match 2'
    bodyHTML = re.sub(ur'ï¬', 'fi', bodyHTML)

“match1”完美无缺。只要文本中有Ê¼，它就会被撇号取代。

“match2”和“match3”是一个不同的故事。这是一个例子：

经过短暂的徒步旅行后，我们第一次看到了博物馆

当然，这会触发来自match2的响应。但不是生产

经过短暂的徒步旅行，我们第一次看到了博物馆

吐出来

经过短暂的徒步旅行，我们第一次看到了博物馆

这种情况发生了好几次。 “有意义的”变得“有意义”等等。

我不确定为什么会这样。

我也遇到了一个问题，其中match2正在滚动来自match3的所有匹配。换句话说

池塘上的涟漪，玻璃墙上闪闪发光的那些涟漪

成为

池塘上的涟漪，玻璃墙上闪闪发光的闪闪发光

而不是

池塘上的涟漪，玻璃墙上反射的微光也是如此

我不确定为什么match2占主导地位，特别是因为我将match3 if语句放在match2之前，因此它会删除所有带有“ï¬”的部分，并只留下“ï¬”片段为了匹配2来清理。

至于运行代码后弹出的其他非ascii字符......我不知道。

非常感谢任何帮助。

谢谢

Answer 1

具体的翻译＆＃39;我像这样使用chr：

def process_special_characters(result):
    '''sub out known yuck for legit stuff (smart quotes, etc.), keep track of how many changes'''
    total = 0

    result = re.subn(chr(133), chr(95), result) #strange underbar
    total += result[1]
    result = re.subn(chr(145), chr(39), result[0]) #smart quote
    total += result[1]
    result = re.subn(chr(146), chr(39), result[0]) #other smart quote
    total += result[1]
    result = re.subn(chr(150), chr(45), result[0]) #strange hyphen
    total += result[1]
    result = re.subn(chr(8212), chr(45), result[0]) #strange long hyphen
    total += result[1]
    result = re.subn(chr(160), chr(32), result[0]) #non breaking space
    total += result[1]

    return result[0], total

你可以很容易地制作一个词典，然后让关键词成为你的＆＃34;来自＆＃34;而值是＆＃34;到＆＃34;并循环它。如果它是一个简短的列表，这可以正常工作。注意，使用subn可以跟踪更改的数量。您可以随时抛弃所有逻辑，然后只使用sub，只是在我的情况下，业务方需要更改计数。

如果更容易阅读，你也可以使用这样的行：

result = re.subn(chr(133), "_", result) #strange underbar

祝你好运！如果你有更多问题我会更新评论，我会更新。

Python问题中的正则表达式。 re.sub（）奇怪地工作

1 个答案: