Python 正则表达式匹配无效的Unicode字符

我有这样的字符串：

ꐊ,ꀵ,\u0f6e，ⴗ,ꦚ,\u2d75，ꢯ,⾌,\97d乌克兰格里夫纳，⩱,ㇴ,\u2d6e，鼺,\x00Ꞁ

我想过滤掉所有这些以斜杠开头的无效字符，我正试图用Python中的正则表达式来实现这一点

它确实是这样工作的：

re.sub(r",\u0f6e,", r",deleted,", s)

但不是这样：

re.sub(r",\.{5},", r",deleted,", s)

它应该根据工作，所以我猜这是因为它们是无效字符？我怎样才能匹配它们

编辑：@metatoaster说我的问题模棱两可：
出现问题的原因似乎是输入字符串
s
不是原始字符串

>>> s = ' ꐊ,ꀵ,\u0f6e,ⴗ,ꦚ,\u2d75,ꢯ,⾌,\ua97d,⩱,ㇴ,\u2d6e,鼺,\x00Ꞁ'
>>> re.sub(r",\u0f6e,", r",deleted,", s)
' ꐊ,ꀵ,deleted,ⴗ,ꦚ,\u2d75,ꢯ,⾌,\ua97d,⩱,ㇴ,\u2d6e,鼺,\x00Ꞁ'

如果字符串被真正定义为原样，我看不出您的第一个
re.sub
语句是如何工作的

>>> s = r' ꐊ,ꀵ,\u0f6e,ⴗ,ꦚ,\u2d75,ꢯ,⾌,\ua97d,⩱,ㇴ,\u2d6e,鼺,\x00Ꞁ'
>>> re.sub(r",\u0f6e,", r",deleted,", s)                                        
' ꐊ,ꀵ,\\u0f6e,ⴗ,ꦚ,\\u2d75,ꢯ,⾌,\\ua97d,⩱,ㇴ,\\u2d6e,鼺,\\x00Ꞁ'                

注意第一个
r'\u0f6e'
是如何保留的。在正则表达式中，
\
字符也是特殊的，因此必须对其进行转义。这可以通过使用
\\
来实现。现在试试：

>>> re.sub(r",\\u0f6e,", r",deleted,", s)                                       
' ꐊ,ꀵ,deleted,ⴗ,ꦚ,\\u2d75,ꢯ,⾌,\\ua97d,⩱,ㇴ,\\u2d6e,鼺,\\x00Ꞁ'                

为了匹配实际表达式且不超过需要，请注意，
\\u
序列在
0-9
和
a-f
之间正好有4个后续字符。与其尝试匹配任何5个字符，不如更具体一些，如：

>>> re.sub(r",\\u[0-9a-f]+,", r",deleted,", s)                                  
' ꐊ,ꀵ,deleted,ⴗ,ꦚ,deleted,ꢯ,⾌,deleted,⩱,ㇴ,deleted,鼺,\\x00Ꞁ'                

请注意，整个答案假设您提供的信息是正确的，转义序列实际上是反斜杠字符。更新您的问题以包含这些代码片段会很有用，就像我在这里所做的那样，这样可以减少对正在执行的操作的模糊性（因为我们可以复制粘贴您的代码并运行它以查看错误，我们也可以更容易地更正错误）。
您似乎有一个带有未定义Unicode代码点的字符串<代码>\u0f6e

是表示为转义码的单个代码点。例如：

>>> s = 'ꐊ,ꀵ,\u0f6e,ⴗ,ꦚ,\u2d75,ꢯ,⾌,\ua97d,⩱,ㇴ,\u2d6e,鼺,\x00Ꞁ'
>>> s
'ꐊ,ꀵ,\u0f6e,ⴗ,ꦚ,\u2d75,ꢯ,⾌,\ua97d,⩱,ㇴ,\u2d6e,鼺,\x00Ꞁ'
>>> print(s)
ꐊ,ꀵ,཮,ⴗ,ꦚ,⵵,ꢯ,⾌,꥽,⩱,ㇴ,⵮,鼺, Ꞁ

请注意打印字符串如何将字符显示为未定义的框。出于调试目的，它显示为转义码。这些代码点有几个共同点。根据Unicode数据库，它们是C类（控制）代码点。他们也没有名字。快速过滤的方法是：

>>> ''.join(['deleted' if ud.category(c)[0] == 'C' else c for c in s])
'ꐊ,ꀵ,deleted,ⴗ,ꦚ,deleted,ꢯ,⾌,deleted,⩱,ㇴ,deleted,鼺,deletedꞀ'

---

试试

re.sub（r“，\\.{5}，”，r“，deleted，”，s）

是的，我试过了，只是出于好奇，为什么不显示为单个字符的Unicode字符无效？这些字符与由单个字符表示的Unicode字符相同，只是以不同的方式表示。打印字符串时可以看到结果字符，并且您的字体支持这些Unicode字符。我建议查看。OP的目标似乎是“过滤”无效字符。似乎根本不需要使用regexp，因为使用这些技术对字符串进行简单的循环就足够了。@jsbueno是的，我只是用一些过滤来重复OP的尝试。通过一些定时备份，

'.join（['deleted'如果ud.category（c）[0]='c'否则c代表s中的c]）

是最快的方法。