我有一个中文文档，但是在文档中由于解码错误而留下了很多错误字符串，它们看起来都像fffd，ff10或其他什么。
现在我需要删除所有出现的错误字符串，所以我需要知道它们的模式，但我找不到有用的信息。现在我只想知道它们是由4个字符组成的，它们以'ff'开头，但最后两个是不确定的。
例如，错误字符串可能如下所示：300dfffd或afffdnormalff0cword。
上述两个字我想要的是：300d和anormalword。
我无法删除所有以ff开头的四个字母图案，因为有正常的单词从它们开始。
是否有一个可以代表它们的重新模式？或者有其他推荐的方式吗？感谢。
顺便说一下，我在Python中这样做，所以任何Pythonic方式都非常感谢！感谢。
更新：
我最终使用模式ff(fd|\d\w|\w\d)并删除了几乎所有错误。
有些错误（例如ff07和ff50）未被删除，这很奇怪，因为它们应该已被re模式删除，但是少量错误在我的容忍范围内。
答案 0 :(得分：2)
并非所有与您谈论的角色都是错误。 U + FFFD是错误替换字符，这意味着某些解码步骤无法找到要使用的字符。 U + FF0C是一个全角逗号，U + FF10是一个全宽零，这些都是完全有效的字符，可能是你要保留的字符。
如果您愿意，可以删除它们：
doc = mydoc.encode('charmap', 'ignore')
如果你有不喜欢的特定Unicode字符，那么：
bad = set(u"\ufffd\uff10\uff0c") # etc
mydoc = u"".join(c for c in mydoc if c not in bad)
答案 1 :(得分：0)
我最终使用了模式ff(fd|\d\w|\w\d)并删除了所有错误。
有些错误（例如ff07和ff50）没有被删除，这很奇怪，因为它们应该被重新模式删除，但是少量错误在我的容忍范围内。