如何在Python中按非打印ASCII字符拆分行

Question

我想知道怎么在Python中把一行文本分开，分开的地方是一个看不见的ASCII字符，比如长的减号（它的十六进制表示是0x97，八进制是227）。我不需要这个字符本身，只想把它后面的信息保存到一个变量里。

Answer 1

只需要使用字符串或Unicode的分割方法就可以了（他们其实并不在乎你用什么来分割，只要是个常量就行。如果你想用正则表达式，那就用re.split）。

要获取分割后的字符串，可以像其他人展示的那样进行转义，比如用"\x97"。

或者

你也可以用chr(0x97)来处理字符串（范围是0到255），或者用unichr(0x97)来处理Unicode。

举个例子：

'will not be split'.split(chr(0x97))

'will be split here:\x97 and this is the second string'.split(chr(0x97))

Answer 2

_, _, your_result= your_input_string.partition('\x97')

或者

your_result= your_input_string.partition('\x97')[2]

如果你的输入字符串中没有 '\x97' 这个字符，那么 your_result 就会是空的。如果你的输入字符串中有多个 '\x97' 字符，那么 your_result 会包含第一个 '\x97' 字符之后的所有内容，包括其他的 '\x97' 字符。

Answer 3

你可以使用 re.split 这个功能。

>>> import re
>>> re.split('\W+', 'Words, words, words.')
['Words', 'words', 'words', '']

调整一下规则，只保留你想要的字符。

另外，你可以看看这个链接： 在Python中去掉不可打印字符

---

举个例子（带长减号的情况）：

>>> # \xe2\x80\x93 represents a long dash (or long minus)
>>> s = 'hello – world'
>>> s
'hello \xe2\x80\x93 world'
>>> import re
>>> re.split("\xe2\x80\x93", s)
['hello ', ' world']

或者，使用unicode的方式也是一样的：

>>> # \u2013 represents a long dash, long minus or so called en-dash
>>> s = u'hello – world'
>>> s
u'hello \u2013 world'
>>> import re
>>> re.split(u"\u2013", s)
[u'hello ', u' world']