Question

我有一个解析用户输入的程序。我在unicode字符串（unsupported Unicode escape sequence）中收到与\ 0000相关的错误，所以我做了一些调查并发现：

A_real_string_\x03\x04\x00\x06\x00\x03\x08\t\x01\x03 \ufffd\ufffd\ufffd\ufffd\ufffd\ufffd\ufffd\ufffd\ufffd\ufffd\ufffd\ufffd\ufffd\ufffd\ufffd\ufffd\ufffd\ufffd

我想从字符串中删除这样的内容（特别是\x00）而不删除对国际字符的支持。什么是一个好方法？

编辑：我认为我真正想做的是删除\ x00及其后的所有内容。我怎么能这样做？

Answer 1

尝试使用非严格错误行为的codecs.decode，即：

codecs.decode('string', 'utf8', 'ignore')

然而，这会给你一个unicode字符串。要将其转换为先前的字节字符串格式，只需使用已解码字符串的.encode方法。

Answer 2

如果要从字符串中删除某些字符，只需迭代字符串并跳过不需要的字符串，然后联接回各个字符。

假设你的unicode字符串被称为ustr，你可以使用：

u''.join([ c for ustr in a if c not in u'\00'])

（如果您以后想删除其他字符，请说\01将其添加到部分内容中：...not in u'\00\01')

这适用于Python 2.x和3.x

如果您想在首先\00之后删除所有内容，只需在原始字符串中find删除它：

ix = ustr.find(u'\00')
filtered = ustr if ix == -1 else ustr[:ix]

用（故意）困难字符消毒字符串

2 个答案: