面白い話ですが、検索する前にテキストをクリーニングしていて、クリーニング プロセスの一部でこれらの記号をすべて削除していました。したがって、私が使用していた正規表現は問題なく機能していました:)とにかく、助けてくれてありがとう！
Pythonと正規表現を使用して、UTF8テキストドキュメントで著作権記号©を検出しようとしています。私が抱えている問題は、正規表現で著作権記号を表す方法がわからないことです。
また、TM と (R) も探しているので、それらも非常に高く評価されますが、(C) があれば、他のものを簡単に特定できると思います。
私は勇敢にグーグルで答えを探してきましたが、まだうまくいくものを見つけていません。
明るい火花が私に教えてくれるなら、それは非常にありがたいです!
ありがとう！
テキストをユニコードに変換し、ユニコードの正規表現パターンを使用できます。
これらはあなたが言及した3つのシンボルです：
In [213]: print(u'\N{COPYRIGHT SIGN} \N{TRADE MARK SIGN} \N{REGISTERED SIGN}')
© ™ ®
以下は utf-8 エンコーディング文字列です。
In [223]: content = u'\N{TRADE MARK SIGN}'.encode('utf-8')
ここでは、Unicode に変換します。
In [224]: text = content.decode('utf-8')
これは、次の 3 つの記号のいずれかの正規表現検索です。
In [225]: re.search(u'(\N{COPYRIGHT SIGN}|\N{TRADE MARK SIGN}|\N{REGISTERED SIGN})', text)
Out[225]: <_sre.SRE_Match at 0x9a1ebe0>
すべての Unicode 文字をカタログ化するWeb ページ があります。しかし、数十万の割り当てられた Unicode コード ポイントがあるため、手動で参照して文字を検索することは現実的ではありません。
そこで、ユニコードを名前で検索するプログラムを以下に書きました。
import sys
import unicodedata as ud
import re
import argparse
import functools
__usage__ = '''\
unicode_lookup.py -u '\d' # Shows all unicode symbols that regex match '\d'
unicode_lookup.py number # Shows all unicode symbols whose name regex matches 'number'
'''
def lookup(name_pat=None, from_num=0, to_num=0x10ffff, unicode_pattern=None,
category_pattern=None, ignore_unnamed=True,
combining=False):
fmt = u"{symbol} {num} {cat} {bi} {w} {comb} {mir} '{name}'"
print(fmt.format(
symbol='Symbol', num='Num', name='NAME',
cat='Category', bi='Bidirectional', w='Width',
comb='Combining', mir='Mirrored'))
for num in range(from_num, to_num + 1):
s = unichr(num)
if unicode_pattern and not unicode_pattern.match(s):
continue
category = ud.category(s)
if category_pattern and not category_pattern.match(category):
continue
try:
name = ud.name(s)
if name_pat and not name_pat.search(name):
continue
except ValueError:
if ignore_unnamed:
continue
else:
name = '?'
bidirectional = ud.bidirectional(s)
combining_class = ud.combining(s)
if combining and not combining_class:
continue
mirrored = ud.mirrored(s)
width = ud.east_asian_width(s)
data = dict(num=num, symbol=s, name=name,
cat=category, bi=bidirectional, w=width,
comb=combining_class, mir=mirrored)
print(fmt.format(**data).encode('utf-8'))
def parse_options():
parser = argparse.ArgumentParser(
epilog=__usage__,
formatter_class=argparse.RawDescriptionHelpFormatter)
parser.add_argument('name_pat',
type=functools.partial(re.compile, flags=re.IGNORECASE))
parser.add_argument('-f', '--from_num', default=0, type=int)
parser.add_argument('-t', '--to_num', default=0x10ffff, type=int)
parser.add_argument('-u', '--unicode_pattern',
type=functools.partial(re.compile, flags=re.UNICODE))
parser.add_argument('--category_pattern', type=re.compile)
parser.add_argument('--show_unnamed', action='store_true')
parser.add_argument('--combining', action='store_true')
return parser.parse_args()
if __name__ == '__main__':
opt = parse_options()
lookup(name_pat=opt.name_pat, from_num=opt.from_num, to_num=opt.to_num,
unicode_pattern=opt.unicode_pattern,
category_pattern=opt.category_pattern,
ignore_unnamed=not opt.show_unnamed,
combining=opt.combining)
ランニング
% unicode_lookup.py "copyright|trade|registered"
収量
Symbol Num Category Bidirectional Width Combining Mirrored 'NAME'
© 169 So ON N 0 0 'COPYRIGHT SIGN'
® 174 So ON A 0 0 'REGISTERED SIGN'
℗ 8471 So ON N 0 0 'SOUND RECORDING COPYRIGHT'
™ 8482 So ON A 0 0 'TRADE MARK SIGN'
このようなものをお探しですか？
import re
text = 'StackOverflow® © 2013 - A great place to code™'
for m in re.finditer(r"[©®™]", text):
print '%02d-%02d: %s' % (m.start(), m.end(), m.group(0))
これの出力は次のとおりです。
13-14: ®
15-16: ©
45-46: ™