Как удалить юникод?

Используя Python 2.7.3, для меня работает отлично:

 import re pattern = re.compile(u"<.*?>|&nbsp;|&amp;|\u260e",re.DOTALL|re.M) s = u"bla ble \u260e blo" re.sub(pattern, "", s) 

Вывод:

 u'bla ble blo' 

Как указано в @Zack, это работает из-за того, что строка теперь находится в юникоде, т. \u260e Строка уже конвертирована, а последовательность символов \u260e теперь является, вероятно, двумя байтами, которые использовались для написания этой маленькой черный телефон ☎ (:

Как только строка, подлежащая поиску, и регулярное выражение имеет сам черный телефон, а не последовательность символов \u260e , они оба совпадают.

Если ваша строка уже юникод, есть два простых способа. Очевидно, что второй будет влиять не только на ☎.

 >>> import string >>> foo = u"Lorum ☎ Ipsum" >>> foo.replace(u'☎', '') u'Lorum Ipsum' >>> "".join(s for s in foo if s in string.printable) u'Lorum Ipsum' 

• Удалите символы не-ascii, но оставьте периоды и пробелы для получения дополнительной информации о string.printable
• Самый лучший способ удалить несколько пробелов в строке на Python, если вы не хотите использовать несколько пробелов.

Вы можете попробовать с BeatifulSoup, как объяснено здесь , с чем-то вроде

 soup = BeautifulSoup (html.decode('utf-8', 'ignore'))