В процессе соскабливания некоторых документов с использованием Python 2.7 я столкнулся с некоторыми раздражающими разделителями страниц, которые я решил удалить. Сепараторы используют некоторые фанковые символы. Я уже задал один вопрос здесь о том, как заставить этих персонажей показывать коды utf-8. Используются два не-ASCII-символа: '\xc2\xad' и '\x0c'. Теперь мне просто нужно удалить эти символы, а также некоторые пробелы и номера страниц.
В другом месте на SO, я видел символы Unicode, используемые в тандеме с регулярными выражениями, но в странном формате, в котором у меня нет этих символов, например. '\u00ab'. Кроме того, ни один из них не использует ASCII, а также символы, отличные от ASCII. Наконец, документы python очень легки в отношении unicode в регулярных выражениях... что-то о флажках... Я не знаю. Может ли кто-нибудь помочь?
Вот мое текущее использование, которое не делает то, что я хочу:
re.sub('\\xc2\\xad\s\d+\s\\xc2\\xad\s\\x0c', '', my_str)