从python中的字符串中剥离不可打印的字符？

Question

所以目前我正试图找出一个特定单词出现在页面上的次数。

我的Python代码有：

  

    

print（len（re.findall（secondAnswer，page）））

         

      

0

    

  

仔细分析后，我注意到了 print（secondAnswer）给了我一个不同的答案“太平洋”

from print（ascii（secondAnswer））'Paci \ ufb01c'

我感觉我在len中的第二个答案值（re.findall（secondAnswer，page））改为使用'Paci \ ufb01c'而没有在页面上找到任何匹配。

有人可以给我任何解决方法吗？

谢谢，尼克

Answer 1

Unicode字符fb01是fi ligature。也就是说，就Python而言，它只是一个字符，但在显示时显示为两个（并列）字符。

要将连字分解为单独的字符，可以使用unicodedata.normalize。例如：

page = unicodedata.normalize("NFKD", page)

或者在这种特定情况下，您可以编写正则表达式以接受连字作为fi字符序列的替代，例如通过使用非捕获组的交替：paci(?:fi|fi)c。 / p>