Encoding 使用Python对iso-2022-jp编码使用正则表达式

我有一些ISO-2022-JP编码的文本

例： まだ 正式 に 決まっ た わけ で は ない の で 。

根据re library文档，它可以接受ascii和unicode，因此我尝试将文本转换为unicode并在单词级别剪切：

text.decode('iso-2022-jp')
print(text)
print(re.findall(r"[\w']+", text))

然而，以下是我得到的输出：

まだ 正式 に 決まっ た わけ で は ない の で 。
['B', 'B', 'B', 'B', 'B', '5', '0', 'B', 'B', 'K', 'B', 'B7h', 'C', 'B', 'B', 'B', 'B', 'o', '1', 'B', 'B', 'G', 'B', 'B', 'O', 'B', 'B', 'J', 'B', 'B', 'N', 'B', 'B', 'G', 'B', 'B', 'B']

我做错了什么？ 谢谢

你的代码对我有用。（Python 3.3.0）

顺便说一句，您没有将解码的字符串分配给文本

text = text.decode('iso-2022-jp')

---

更新

若我将文本解码为ascii（丢弃非ascii字符），则得到以下结果

看起来你的解码/编码不正确

---

更新2

若您从文件中读取文本，则不需要对单个行进行解码。在

open（）

call中指定编码

import re
with open('results', 'r', encoding='iso-2022-jp') as f:
    for line in f:
        matches = re.findall(r"[\w']+", line)
        if matches:
            print(matches)

---

我从我的文件中加载文本非常简单：

in_f=open（“results”，“r”）

lines=in_f.readlines（）

是否有错？@Jean-MichaëlCelerier:使用

f.readlines（）

可以得到字符串列表。您可以使用

f.read（）

来获取多行字符串。在Python3中，

open（）

的

encoding=xxx

参数可用于从具有xxx编码的文件中获取unicode内容——请参阅。无论如何，您应该在读取文件后始终调用

f.close（）

（或者使用

和

构造来打开）。

>>> re.findall(r"[\w']+", text.encode('iso-2022-jp').decode('ascii', 'ignore'))
['B', 'B', 'B', '5', '0', 'B', 'B', 'K', 'B', 'B7h', 'C', 'B', 'B', 'B', 'B', 'o', '1', 'B', 'B', 'G', 'B', 'B', 'O', 'B', 'B', 'J', 'B', 'B', 'N', 'B', 'B', 'G', 'B', 'B', 'B']

import re
with open('results', 'r', encoding='iso-2022-jp') as f:
    for line in f:
        matches = re.findall(r"[\w']+", line)
        if matches:
            print(matches)