在Python 2.7中使用unicode的re.sub 2.7

Question

我想在文本文件中的某些藏文字符前后添加一些空格，并成功地将re.sub（）用于多行代替所有普通字符文件。如果我为一个藏文字符的re.sub替换行做同样的事情，它也可以工作，不管哪个字符（所有的unicode序列都是正确的）。但是，如果我为藏文字符尝试多行re.sub（），它会找到所有正确的字符串，但会用错误的字符串（第一行的字符串）替换它。这是我的代码的相关部分（我使用Python 2.7）：

import codecs, re, os 

text = codecs.open('test.txt', encoding='utf-8') 

def cs(text): 

    for line in text: 
     #line = re.sub('<utt>','',line) 
     #line = re.sub('//','/',line) 
     line = re.sub(ur'[\u0f62\u0f0b]/ES', ur' \u0f62\u0f0b ',line) 
     line = re.sub(ur'[\u0f60\u0f72\u0f0b]/ES', ur' \u0f60\u0f72\u0f0b ',line) 
     print line 

两个单独使用Unicode工作线，并给予正确的更换（虽然性格在输出翻倍，而不是代替）。结合起来，他们发现了不同的角色，但总是用第一个''u0f62 \ u0f0b'代替它，而不是它应该是。任何建议非常感谢！

这是输出的一个示例中，我得到（只专注于藏线）：

པརར་སཱིའིར་འདུལ་// Xབ་/ Eག་/ Sབཞུགས་/ Sསོ/S་./S

这是从输入的测试文件的第一行：

པར་/ ESསཱིའི་/ ESའདུལ་// Xབ་/ Eག་/ Sབཞུགས་/ Sསོ/S་./S

它与正确的第一个词，但错误的机智h代表分别代表unicode re.sub的第一行和第二行的第二行。所期望的输出与周围的前两个单词的最后一个字符的空间下面，因为他们有一个/ ES标记：

པར་སཱིའི་འདུལ་// Xབ་/ Eག་/ Sབཞུགས་/Sསོ/ S་./S

Answer 1

'[\u0f62\u0f0b]/ES'要匹配\u0f62/ES或\u0f0b/ES，这不是你想要的。只要删除括号。

此外，您的示例原始文本在每个/ ES之后都有一个空格，因此替换不需要添加另一个。

最后，这些似乎是简单的替代品，所以不需要re模块。

original = u'\u0f54\u0f62\u0f0b/ES \u0f66\u0f71\u0f72\u0f60\u0f72\u0f0b/ES \u0f60\u0f51\u0f74\u0f63\u0f0b//X \u0f56\u0f0b/E \u0f42\u0f0b/S \u0f56\u0f5e\u0f74\u0f42\u0f66\u0f0b/S \u0f66\u0f7c/S \u0f0d/S' 
desired = u'\u0f54 \u0f62\u0f0b \u0f66\u0f71\u0f72 \u0f60\u0f72\u0f0b \u0f60\u0f51\u0f74\u0f63\u0f0b//X \u0f56\u0f0b/E \u0f42\u0f0b/S \u0f56\u0f5e\u0f74\u0f42\u0f66\u0f0b/S \u0f66\u0f7c/S \u0f0d/S' 

print 'org =',original 
print 'desired =',desired 

attempt = original.replace(u'\u0f62\u0f0b/ES', u' \u0f62\u0f0b').replace(u'\u0f60\u0f72\u0f0b/ES', u' \u0f60\u0f72\u0f0b') 
print 'attempt =',attempt 
print attempt == desired 

输出：

org = པར་/ES སཱིའི་/ES འདུལ་//X བ་/E ག་/S བཞུགས་/S སོ/S །/S 
desired = པ ར་ སཱི འི་ འདུལ་//X བ་/E ག་/S བཞུགས་/S སོ/S །/S 
attempt = པ ར་ སཱི འི་ འདུལ་//X བ་/E ག་/S བཞུགས་/S སོ/S །/S 
True 

如果你仍然想使用re模块，下面将做一个传过线两种替代品。它匹配两个序列中的一个，用空格+匹配替换匹配并删除/ ES。

attempt = re.sub(ur'(\u0f62\u0f0b|\u0f60\u0f72\u0f0b)/ES',ur' \1',original)