Question

我有一些代码行可以从pdf文件中提取电子邮件地址。

 for page in pdf.pages:
      pdf = page.extractText()
      # print elpdf
      r = re.compile(r'[\w\-][\w\-\.]+@[\w\-][\w\-\.]+[a-zA-Z]{1,4}')
      results = r.findall(pdf)
      Listemail.append(results)
      print(Listemail[0:])
 pdf.stream.close()

不幸的是，在运行代码之后我注意到结果并不完全正常，因为每次找到匹配项时它都会出现'u'字符：

[[u'testuser1@training.local']]
[[u'testuser2@training.local']]

有人知道如何避免出现这个角色？

提前致谢

Answer 1

这不是问题。表示字符串前面的u表示它是一个Python unicode字符串。 See this documentation.除非你对他们做任何疯狂的事情，因为某些原因要求你的字符串不是unicode，我不明白这是怎么回事。

Answer 2

这些是unicode strings，除非你有一些真正的问题，否则你不需要避免它们。

Answer 3

正如其他人所说，这不是一个错误，而是一个功能。

如果你想要的是非unicode编码的字符串，你可以将文本从unicode转换为更可口的东西。 StackOverflow Q / A涵盖主题：

Convert a Unicode string to a string in Python (containing extra symbols)

我之前遇到过这种情况，在某些用例中，它可能会有问题，因为您会遇到一个方法需要非unicode字符串并中断的问题。：）

该链接的示例解决方案：

>>> a=u'aaa'
>>> a
u'aaa'
>>> a.encode('ascii','ignore')
'aaa'
>>> a.encode('utf8','ignore')
'aaa'
>>> str(a)
'aaa'
>>>

你的角色出现在python的正则表达式中

3 个答案: