Question

如果您认为应该阻止我提问，欢迎您。

我有一个pdf文件，我运行pdf2txt并使用正则表达式清理它。然而，偶尔有一条线让我感到困惑，并且无法获得正则表达式。它看起来像这样：

123456789101112131415161718192021222324252627282930313233341234567891011121314151617181920212223242526272829303132333439

在数字34和39之间（行的末尾）有一个方框，在上面一行有两个零，在下面一行有零和C.这里没有显示我的问题，所以我想作为一个控制角色，它意味着......就像零空间＆＃34;。我在这里找不到这种角色：jrgraphix.net或其他unicode集合。

我复制了控制字符并将其放在此处：RegExr并将其解析为红色子弹。在这里：https：//regex101.com/（我的＃34;声誉＆＃34;只允许2个链接），它解析为黑色子弹。我在原始PDF文件中找不到红色或黑色子弹。

我也尝试用这样的代码（Python 3）摆脱这一行：

    if '123456789' in line:
        print('found this line')

...没找到这一行。

到目前为止我的正则表达式是：

    line = re.sub(r'\u25a0', '', line)
    line = re.sub(r'\u2022', '', line)
    line = re.sub(r'\u200B', '', line)
    line = re.sub(r'\u200b', '', line)

我的Python代码处理空格：

    elif re.match(r'^\s*$', line):
        pass

你能帮助我如何让正则表达式或Python找到那个角色吗？

Answer 1

查找换页符的正则表达式为\f，但是，如果要清除未知字符，也许您可能只想定义允许的内容，而不是试图找出所有可能的内容不是..

特殊字符的正则表达式

1 个答案: