带有特殊字符的字符串don'；不能使用Python和正则表达式_Python_Regex

带有特殊字符的字符串don'；不能使用Python和正则表达式

python regex

带有特殊字符的字符串don'；不能使用Python和正则表达式,python,regex,Python,Regex,我在这个项目中工作，特别的角色让我发疯！我在foruns周围寻找了很多解决方案，但他们没有解决我的问题我有一个带有特殊字符的字符串： ['{"response":{"startRow":0,"endRow":5,"totalRows":5,"data": [{"CODIGO":"72","DESCRICAO":"RECEITA INTRA-ORÇÁMENTÁRIAS DE CONTRIBUÇÕES","PREVISTA":225847716.0,"REALIZADA":165311075.

我在这个项目中工作，特别的角色让我发疯！我在foruns周围寻找了很多解决方案，但他们没有解决我的问题

我有一个带有特殊字符的字符串：

['{"response":{"startRow":0,"endRow":5,"totalRows":5,"data":   [{"CODIGO":"72","DESCRICAO":"RECEITA INTRA-ORÇÁMENTÁRIAS DE CONTRIBUÇÕES","PREVISTA":225847716.0,"REALIZADA":165311075.58,"DIFERENCA":60536640.42,"R___":1.0},{"CODIGO":"76","DESCRICAO":"RECEITA  INTRA-ORÇAMENTÁRIAS DE SERVIÇOS","PREVISTA":22367493.0,"REALIZADA":3435363.08,"DIFERENCA":18932129.92,"R___":2.0},{"CODIGO":"77","DESCRICAO":"TRANSFERÊNCIAS  INTRA-ORÇAMENTÁRIAS CORRENTES","PREVISTA":1218252.0,"REALIZADA":0.0,"DIFERENCA":1218252.0,"R___":3.0},{"CODIGO":"71","DESCRICAO":"RECEITA TRIBUTÁRIA INTRA-ORÇAMENTÁRIA","PREVISTA":12000.0,"REALIZADA":0.0,"DIFERENCA":12000.0,"R___":4.0},{"CODIGO":"79","DESCRICAO":"OUTRAS RECEITAS INTRA-ORÇAMENTÁRIAS CORRENTES","PREVISTA":0.0,"REALIZADA":311785.30,"DIFERENCA":-311785.30,"R___":5.0}]}}']

我必须找到一些使用正则表达式的特殊字符串，但我必须保留特殊字符

我试过一些东西：

nkfd_form = unicodedata.normalize('NFKD', unicode(html))
print u"".join([c for c in nkfd_form if not unicodedata.combining(c)])

print ' '.join(re.findall(r'(?:\w{3,}|-(?=\s))', html))
print ' '.join(''.join([i if ord(i) < 128 else ' ' for i in html]).split())

特殊字符不正确。结果是这样的：

[':0', ':2', ':2', ':"94"', ':"DEDU', ':0.0', ':-2748373.25', ':2748373.25', ':1.0', ':"95"', ':"DEDU', ':-1421484000.0', ':-1062829156.22', ':-358654843.78', ':2.0']
[':0', ':5', ':5', ':"72"', ':"RECEITA INTRA-OR', ':225847716.0', ':165311075.58', ':60536640.42', ':1.0', ':"76"', ':"RECEITA  INTRA-OR', ':22367493.0', ':3435363.08', ':18932129.92', ':2.0', ':"77"', ':"TRANSFER', ':1218252.0', ':0.0', ':1218252.0', ':3.0', ':"71"', ':"RECEITA TRIBUT', ':12000.0', ':0.0', ':12000.0', ':4.0', ':"79"', ':"OUTRAS RECEITAS INTRA-OR', ':0.0', ':311785.30', ':-311785.30', ':5.0']

print ' '.join(re.findall(ur'(?:\w{3,}|-(?=\s))', html))

72,RECEITA INTRA-ORÇÁMENTÁRIAS DE CONTRIBUÇÕES,225847716.0,165311075.58,60536640.42,1.0
76,RECEITA  INTRA-ORÇAMENTÁRIAS DE SERVIÇOS,22367493.0,3435363.08,18932129.92,2.0
77,TRANSFERÊNCIAS  INTRA-ORÇAMENTÁRIAS CORRENTES,1218252.0,0.0,1218252.0,3.0
71,RECEITA TRIBUTÁRIA INTRA-ORÇAMENTÁRIA,12000.0,0.0,12000.0,4.0
79,OUTRAS RECEITAS INTRA-ORÇAMENTÁRIAS CORRENTES,0.0,311785.3,-311785.3,5.0

它忽略了特殊字符

我需要它，因为我将在CSV文件中写入数据，它不会处理此错误

使用提示符的简单测试：

>>> import re
>>> re.findall('\w+', 'Márquez', re.U)
['M\xc3', 'rquez']

我要怎么做才能解决这个问题？

您的输入似乎是unicode，但正则表达式不是

尝试将您的正则表达式模式更改为unicode，如下所示：

[':0', ':2', ':2', ':"94"', ':"DEDU', ':0.0', ':-2748373.25', ':2748373.25', ':1.0', ':"95"', ':"DEDU', ':-1421484000.0', ':-1062829156.22', ':-358654843.78', ':2.0']
[':0', ':5', ':5', ':"72"', ':"RECEITA INTRA-OR', ':225847716.0', ':165311075.58', ':60536640.42', ':1.0', ':"76"', ':"RECEITA  INTRA-OR', ':22367493.0', ':3435363.08', ':18932129.92', ':2.0', ':"77"', ':"TRANSFER', ':1218252.0', ':0.0', ':1218252.0', ':3.0', ':"71"', ':"RECEITA TRIBUT', ':12000.0', ':0.0', ':12000.0', ':4.0', ':"79"', ':"OUTRAS RECEITAS INTRA-OR', ':0.0', ':311785.30', ':-311785.30', ':5.0']

print ' '.join(re.findall(ur'(?:\w{3,}|-(?=\s))', html))

72,RECEITA INTRA-ORÇÁMENTÁRIAS DE CONTRIBUÇÕES,225847716.0,165311075.58,60536640.42,1.0
76,RECEITA  INTRA-ORÇAMENTÁRIAS DE SERVIÇOS,22367493.0,3435363.08,18932129.92,2.0
77,TRANSFERÊNCIAS  INTRA-ORÇAMENTÁRIAS CORRENTES,1218252.0,0.0,1218252.0,3.0
71,RECEITA TRIBUTÁRIA INTRA-ORÇAMENTÁRIA,12000.0,0.0,12000.0,4.0
79,OUTRAS RECEITAS INTRA-ORÇAMENTÁRIAS CORRENTES,0.0,311785.3,-311785.3,5.0

参考：

您的输入似乎是unicode，但正则表达式不是

尝试将您的正则表达式模式更改为unicode，如下所示：

[':0', ':2', ':2', ':"94"', ':"DEDU', ':0.0', ':-2748373.25', ':2748373.25', ':1.0', ':"95"', ':"DEDU', ':-1421484000.0', ':-1062829156.22', ':-358654843.78', ':2.0']
[':0', ':5', ':5', ':"72"', ':"RECEITA INTRA-OR', ':225847716.0', ':165311075.58', ':60536640.42', ':1.0', ':"76"', ':"RECEITA  INTRA-OR', ':22367493.0', ':3435363.08', ':18932129.92', ':2.0', ':"77"', ':"TRANSFER', ':1218252.0', ':0.0', ':1218252.0', ':3.0', ':"71"', ':"RECEITA TRIBUT', ':12000.0', ':0.0', ':12000.0', ':4.0', ':"79"', ':"OUTRAS RECEITAS INTRA-OR', ':0.0', ':311785.30', ':-311785.30', ':5.0']

print ' '.join(re.findall(ur'(?:\w{3,}|-(?=\s))', html))

72,RECEITA INTRA-ORÇÁMENTÁRIAS DE CONTRIBUÇÕES,225847716.0,165311075.58,60536640.42,1.0
76,RECEITA  INTRA-ORÇAMENTÁRIAS DE SERVIÇOS,22367493.0,3435363.08,18932129.92,2.0
77,TRANSFERÊNCIAS  INTRA-ORÇAMENTÁRIAS CORRENTES,1218252.0,0.0,1218252.0,3.0
71,RECEITA TRIBUTÁRIA INTRA-ORÇAMENTÁRIA,12000.0,0.0,12000.0,4.0
79,OUTRAS RECEITAS INTRA-ORÇAMENTÁRIAS CORRENTES,0.0,311785.3,-311785.3,5.0

参考：

将我的评论转化为答案（有点像，因为它不包含正则表达式）：

然后

jsontest.csv

如下所示：

[':0', ':2', ':2', ':"94"', ':"DEDU', ':0.0', ':-2748373.25', ':2748373.25', ':1.0', ':"95"', ':"DEDU', ':-1421484000.0', ':-1062829156.22', ':-358654843.78', ':2.0']
[':0', ':5', ':5', ':"72"', ':"RECEITA INTRA-OR', ':225847716.0', ':165311075.58', ':60536640.42', ':1.0', ':"76"', ':"RECEITA  INTRA-OR', ':22367493.0', ':3435363.08', ':18932129.92', ':2.0', ':"77"', ':"TRANSFER', ':1218252.0', ':0.0', ':1218252.0', ':3.0', ':"71"', ':"RECEITA TRIBUT', ':12000.0', ':0.0', ':12000.0', ':4.0', ':"79"', ':"OUTRAS RECEITAS INTRA-OR', ':0.0', ':311785.30', ':-311785.30', ':5.0']

print ' '.join(re.findall(ur'(?:\w{3,}|-(?=\s))', html))

72,RECEITA INTRA-ORÇÁMENTÁRIAS DE CONTRIBUÇÕES,225847716.0,165311075.58,60536640.42,1.0
76,RECEITA  INTRA-ORÇAMENTÁRIAS DE SERVIÇOS,22367493.0,3435363.08,18932129.92,2.0
77,TRANSFERÊNCIAS  INTRA-ORÇAMENTÁRIAS CORRENTES,1218252.0,0.0,1218252.0,3.0
71,RECEITA TRIBUTÁRIA INTRA-ORÇAMENTÁRIA,12000.0,0.0,12000.0,4.0
79,OUTRAS RECEITAS INTRA-ORÇAMENTÁRIAS CORRENTES,0.0,311785.3,-311785.3,5.0

我使用了Python 2.6.8

顺便说一句：我从中改编了

UnicodeDictWriter

类。只需向下滚动两到三个屏幕，您就会找到原始的

UnicodeWriter

类。

将我的评论转化为答案（有点像，因为它不包含正则表达式）：

然后

jsontest.csv

如下所示：

[':0', ':2', ':2', ':"94"', ':"DEDU', ':0.0', ':-2748373.25', ':2748373.25', ':1.0', ':"95"', ':"DEDU', ':-1421484000.0', ':-1062829156.22', ':-358654843.78', ':2.0']
[':0', ':5', ':5', ':"72"', ':"RECEITA INTRA-OR', ':225847716.0', ':165311075.58', ':60536640.42', ':1.0', ':"76"', ':"RECEITA  INTRA-OR', ':22367493.0', ':3435363.08', ':18932129.92', ':2.0', ':"77"', ':"TRANSFER', ':1218252.0', ':0.0', ':1218252.0', ':3.0', ':"71"', ':"RECEITA TRIBUT', ':12000.0', ':0.0', ':12000.0', ':4.0', ':"79"', ':"OUTRAS RECEITAS INTRA-OR', ':0.0', ':311785.30', ':-311785.30', ':5.0']

print ' '.join(re.findall(ur'(?:\w{3,}|-(?=\s))', html))

72,RECEITA INTRA-ORÇÁMENTÁRIAS DE CONTRIBUÇÕES,225847716.0,165311075.58,60536640.42,1.0
76,RECEITA  INTRA-ORÇAMENTÁRIAS DE SERVIÇOS,22367493.0,3435363.08,18932129.92,2.0
77,TRANSFERÊNCIAS  INTRA-ORÇAMENTÁRIAS CORRENTES,1218252.0,0.0,1218252.0,3.0
71,RECEITA TRIBUTÁRIA INTRA-ORÇAMENTÁRIA,12000.0,0.0,12000.0,4.0
79,OUTRAS RECEITAS INTRA-ORÇAMENTÁRIAS CORRENTES,0.0,311785.3,-311785.3,5.0

我使用了Python 2.6.8

顺便说一句：我从中改编了

UnicodeDictWriter

类。只需向下滚动两三个屏幕，您就会找到原始的UnicodeWriter类。

谢谢您的回答！但它仍然是错误的：结果是：

response startRow endRow totalRows data CODIGO descripo传输xc3 x8aNCIAS内部xc3 x87AMENT xc3 x81RIAS CAPITAL PREVISTA 5253000 REALIZADA diference 5253000 R\uuuuu

感谢您的回答！但它仍然是错误的：结果是：

response startRow endRow totalRows data CODIGO descripo TRANSFER xc3 x8aNCIAS INTRA xc3 x87AMENT xc3 x81RIAS CAPITAL PREVISTA 5253000 REALIZADA diference 5253000 R\uuuu

您的字符串似乎是有效的JSON代码。那么，为什么将其称为“html”（变量的名称）？你为什么不直接用这个？让我们从简单的测试开始（问题的最后一部分）：不要在控制台上键入，而是创建py文件，确保它是UTF-8，然后运行它。它有用吗它应该可以工作，如果可以，那么您的控制台编码就不是unicode。同样的情况也适用于您的输入文件。顺便说一句，您使用的是什么py版本，2.x还是3.x？@pillmuncher始终记得Jamie Zawinski说过的一句名言-非常好的参考！嘿，谢谢你们！我使用了json模块，但数据是字符串格式的。当我使用json.dumps（myString）时，我得到了类似这样的结果：

[“{\”response\”：{“startRow\”：0，“endRow\”：8，“totalRows\”：8，“data\”：[{“CODIGO\”：“11\”，“descraco\”：“RECEITA TRIBUT\u00c1RIA\”，“PREVISTA\”：10811027750.0，

您的字符串似乎是有效的json代码。那么，为什么将其称为“html”（变量的名称）？为什么不使用？并始终记住。让我们从简单测试开始（问题的最后一部分）：不要在控制台上键入，而是创建py文件，确保它是UTF-8，然后运行它。它有效吗？-应该有效，如果有效，那么您的控制台编码不是unicode。输入文件也是如此。顺便问一下，您使用的py版本是2.x还是3.x？@pillmuncher始终记得Jamie Zawinski的名言-非常好的参考！嘿，谢谢各位！我使用了json模块，但数据是字符串格式的。当我使用json.dumps（myString）时，我得到的结果如下：

[“{\'response\”：{\'startRow\”：0，\'endRow\：8，\'totalRows\：8，\'data\：[{\'CODIGO\”：“11\，“descico\”：“RECEITA TRIBUT u00c1RIA\，“PREVISTA\”：10811027750.0，

再次感谢您。它工作得非常好！看一看：=）再次感谢您。它工作得非常好！看一看：=）