Question

我尝试编写一个函数，只需将字符串拆分为任何不是字母或数字的符号。但我需要使用西里尔语，当我这样做时，我得到的输出列表包含'\ x0d'等元素，而不是拉丁语。

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import re

class Syntax():
    def __init__(self, string):
        self.string = string.encode('utf-8')
        self.list = None

    def split(self):
        self.list = re.split(ur"\W+", self.string, flags=re.U)

if __name__ == '__main__':  
    string = ur"Привет, мой друг test words."
    a = Syntax(string)
    a.split()
    print a.string, a.list

控制台输出：

Привет, мой друг test words.
['\xd0', '\xd1', '\xd0', '\xd0\xb2\xd0\xb5\xd1', '\xd0\xbc\xd0\xbe\xd0\xb9', '\xd0', '\xd1', '\xd1', '\xd0\xb3', 'test', 'words', '']

感谢您的帮助。

Answer 1

这里有两个问题：

您在语法构造函数中强制将unicode转换为字符串。通常，您应将文本值保留为unicode。（self.string = string，no encoding）。
当您打印Python列表时，它会调用元素上的repr，导致unicode被强制转换为这些值。如果你这样做
```
for x in a.list:
    print x
```

编辑：打印列表调用元素上的repr，而不是字符串。但是，打印字符串不会重新打印它 - print x和print repr（x）会产生不同的值。对于字符串，repr总是可以在Python中评估以恢复值。

Python：re.split（）显示西里尔文结果

1 个答案: