在 Python 中将字母和非字母字符与非英语文本分开

Question

我正在 Python 2.7 抓取一个葡萄牙语网站，我想将括号内的拉丁单词和数字分开。每个文本看起来像：

text = 'Obras de revisão e recuperação (45453000-7)'

我尝试了以下代码：

#-*- coding: utf-8 -*-
import re
text = u'Obras de revisão e recuperação (45453000-7)'
re.sub(r'\([0-9-]+\)', u'', text).encode("utf8")

输出是：

'Obras de revis\xc3\xa3o e recupera\xc3\xa7\xc3\xa3o '

我也想删除括号并得到如下输出：

name = 'Obras de revisão e recuperação'
code = '45453000-7'

Answer 1

它应该是这样工作的：

文件：/tmp/foo.py

#-*- coding: utf-8 -*-
import re
text = u'Obras de revisão e recuperação (45453000-7)'
print re.sub(r'\([0-9-]+\)', u'', text)

注意，没有.encode('utf-8')东西。

现在，在 python 控制台中：

>>> import re
>>> text = u'Obras de revisão e recuperação (45453000-7)'
>>> re.sub(r'\([0-9-]+\)', u'', text)
u'Obras de revis\xe3o e recupera\xe7\xe3o '
>>> print re.sub(r'\([0-9-]+\)', u'', text)
Obras de revisão e recuperação

如您所见，print re.sub(..)（又名 unicode.__str__()）与 unicode.__repr__() 不同 return。

我怀疑这就是你正在努力解决的问题。

供参考：Difference between __str__ and __repr__ in Python

在 Python 中将字母和非字母字符与非英语文本分开

separating letters and non alphabetic characters from a non-English text in Python

regex

unicode

replace

extraction

python-2.7