Python regex'；忽略的特殊字符串填充字符；s

我正在解析文本，其中包括过滤掉特殊字符或空白，以便正确分类字符串。问题是原始字符串的索引映射回其他元数据（图像中OCRd文本的x、y坐标）。一旦关键字被正确分类，我想通过索引（开始和结束）映射回原始的预处理字符串，而不是关键字本身。位置比关键字更重要，因为关键字不一定是唯一的

许多代码如下所示：

filtered_text=re.sub（\s{5，}，，，行）
mobj=re.match（我的个人资料、过滤的文字）
返回（移动开始（0）、移动结束（0））

我想知道是否可以用一个特殊的“padding/filler”字符代替空字符串？这一特殊性质将满足两个要求：

（1） 它占用空间，因此：

len(line) == len(filtered_line)

（2） 它被下游模式正则表达式匹配项忽略

我是否可以使用任何特殊的unicode字符，或者可以将re模块中的某些内容设置为忽略特定字符

---

此外，我不能将替换模式与匹配模式合并，因为代码的不同部分是相互抽象的。上面的示例非常简单——代码的实际两个独立部分非常复杂。

在替换空白时，需要保留从变换位置到原始位置的映射

def sub_with_mapping(pattern, repl, string):
    mapping = dict()
    source_index = [0]
    target_index = [0]
    target = []
    #
    def append_segment(original_len, text, keep_positions):
        for i in range(0, len(text)):
            mapping[target_index[0] + i] = source_index[0] + (i if keep_positions else 0)
        target.append(text)
        target_index[0] += len(text)
        source_index[0] += original_len
    #
    for match in re.finditer(pattern, string):
        # Append text between previous and this match
        prefix = string[source_index[0]:match.start()]
        append_segment(len(prefix), prefix, True)
        # Append replacement text
        replacement = repl
        if callable(replacement):
            replacement = replacement(match)
        append_segment(len(match.group(0)), replacement, False)
    # Append text after last match
    suffix = string[source_index[0]:]
    append_segment(len(suffix), suffix, True)
    return ''.join(target), mapping

然后可以对返回的字符串进行匹配，并将索引映射回原始字符串

请注意，如果替换长度超过一个字符，则会将多个索引映射回同一原始索引

---

如果字符串非常长（>1MB？），则可能需要优化数据结构。也许您可以使用范围？

您可以使用

\0

，它可能不会显示在任何地方。这是什么格式的？这是utf-8。以下是我正在尝试的：

t='这是一个\0string'mobj=re.search（'（.*astring'），t）

我尝试了很多排列，但搜索仍然失败。有什么想法吗？我指的是你试图解析的格式的名称。它是由Tesseracts生成的吗？

>>> sub_with_mapping(r'\w+', 'x', 'foo --- bar --- baz')
('x --- x --- x', {0: 0, 1: 3, 2: 4, 3: 5, 4: 6, 5: 7, 6: 8, 7: 11, 8: 12, 9: 13, 10: 14, 11: 15, 12: 16})