Python і регулярний вираз з Unicode

Мені потрібно видалити деякі символи Unicode із рядка 'بِسْمِ اللَّهِ الرَّحْمَٰنِ الرَّحِيمِ'

Я знаю, що вони тут існують точно. Я намагався:

re.sub('([\u064B-\u0652\u06D4\u0670\u0674\u06D5-\u06ED]+)', '', 'بِسْمِ اللَّهِ الرَّحْمَٰنِ الرَّحِيمِ')

але це не працює. Рядок залишається незмінним. Що я роблю не так?

Ви використовуєте python 2.x або 3.0?

Якщо ви використовуєте 2.x, спробуйте перетворити рядок регулярних виразів на рядок unicode-escape, із символом 'u'. Оскільки це регулярний вираз, є гарною практикою зробити ваш рядок регулярних виразів необробленим рядком із символом 'r'. Крім того, зайве розміщення всього малюнка в дужках.

re.sub(ur'[\u064B-\u0652\u06D4\u0670\u0674\u06D5-\u06ED]+', '', ...)

http://docs.python.org/tutorial/introduction.html#unicode-strings

Редагувати:

Також хорошою практикою є використання прапора re.UNICODE / re.U / (? U) для регулярних виразів Unicode, але це впливає лише на псевдоніми класів символів, такі як \ w або \ b, з яких цей шаблон не використовує, і тому не буде постраждати від.

Використовуйте рядки Unicode . Використовуйте прапор re.UNICODE .

>>> myre = re.compile(ur'[\u064B-\u0652\u06D4\u0670\u0674\u06D5-\u06ED]+', 
                      re.UNICODE)
>>> myre
<_sre.SRE_Pattern object at 0xb20b378>
>>> mystr = u'بِسْمِ اللَّهِ الرَّحْمَٰنِ الرَّحِيمِ'
>>> result = myre.sub('', mystr)
>>> len(mystr), len(result)
(38, 22)
>>> print result
بسم الله الرحمن الرحيم

Прочитайте статтю Джоела Спольскі під назвою Абсолютний мінімум, кожен розробник програмного забезпечення Абсолютно, позитивно повинен знати про Unicode та набори символів (без виправдання!)