Python 如何消除☎；unicode？

在网页抓取过程中，在去掉所有html标记后，我得到了unicode中的黑色电话字符\u260e(☎). 但不像我，我也想摆脱它

我在Scrapy中使用了以下正则表达式来消除html标记：

pattern = re.compile("<.*?>|&nbsp;|&amp;",re.DOTALL|re.M)

pattern=re.compile（“| |&；”，re.DOTALL | re.M）

然后我尝试匹配\u260e，我想我被抓住了。我尝试了以下模式，但没有成功：

pattern = re.compile("<.*?>|&nbsp;|&amp;|\u260e",re.DOTALL|re.M)
pattern = re.compile("<.*?>|&nbsp;|&amp;|\\u260e",re.DOTALL|re.M)
pattern = re.compile("<.*?>|&nbsp;|&amp;|\\\\u260e",re.DOTALL|re.M)

pattern=re.compile（“| |&；| \u260e”，re.DOTALL | re.M）
pattern=re.compile（“| |&；| \\u260e”，re.DOTALL | re.M）
pattern=re.compile（“||&；|\\\\u260e”，re.DOTALL | re.M）

这些都不起作用，我仍然有\u260e作为输出。

---

如何使其消失？

使用Python 2.7.3，以下功能对我来说很好：

import re

pattern = re.compile(u"<.*?>|&nbsp;|&amp;|\u260e",re.DOTALL|re.M)
s = u"bla ble \u260e blo"
re.sub(pattern, "", s)

正如@Zack所指出的，这是因为字符串现在是unicode格式的，也就是说，字符串已经被转换了，字符序列

\u260e

现在是——可能是——两个字节，用来写那个黑色的小电话☎ （：

---

一旦要搜索的字符串和正则表达式都有了黑色电话本身，而不是字符序列，它们就都匹配了。

如果您的字符串已经是unicode，有两种简单的方法。第二种方法将不仅仅影响☎, 很明显

>>> import string                                   
>>> foo = u"Lorum ☎ Ipsum"                          
>>> foo.replace(u'☎', '')                           
u'Lorum  Ipsum'                                     
>>> "".join(s for s in foo if s in string.printable)
u'Lorum  Ipsum'      

• 有关

  string.printable

• 如果不需要多个空格

---

如前所述，您可以尝试使用BeatifulSoup，例如

soup = BeautifulSoup (html.decode('utf-8', 'ignore'))

---

回答很好，但您可能应该强调，这里的关键区别在于所有字符串上的

u

前缀，即在Unicode而不是字节字符串上操作。我想u前缀起了一些作用。它起了作用，谢谢。正如您在链接中提到的，原始字符串是反斜杠瘟疫的解毒剂。它可能不是最相关的t在这里，请记住这一点。与@Rubens answer一致，您面临的问题是常规字符串没有正确的unicode编码，除非您使用

u

+1作为前缀，因为这是我第一次看到☎ 以这样的方式☎ 字符直接在终端上工作，但在我的管道上不工作。用\u260e替换它效果更好。感谢您提供这两个额外提示：）

soup = BeautifulSoup (html.decode('utf-8', 'ignore'))