Pythonの文字列から印刷できない文字を取り除く？

Question

現在、特定の単語がページに何回表示されているか調べています。時

プリント（LEN（re.findall（secondAnswer、ページ）））

：

私のPythonのコードは、これを持っています慎重な分析、私は気づいた 印刷（secondAnsw ER）私がlenの私secondAnswer値（re.findall（secondAnswer、ページ感情を持っている '太平洋の\ ufb01c'）私に

を印刷異なる答え、 "太平洋"

（アスキー（secondAnswer）を与えています））は、代わりに 'Paci \ ufb01c'を使用しているため、ページに一致するものは見つかりません。

誰かが私にこれを解決するためのヒントを教えてもらえますか？

おかげで、ニック

Answer 1

Unicode文字fb01はfi ligatureです。つまり、これはPythonに関する限り単一の文字ですが、表示されるときに2つの（つながれた）文字として表示されます。

リガチャーをそれぞれの文字に分解するには、unicodedata.normalizeを使用できます。たとえば：paci(?:fi|fi)c：

page = unicodedata.normalize("NFKD", page) 

またはこの特定のケースでは、あなたは非キャプチャグループとの交代を使用することにより、たとえば、fi文字列の代替としての合字を受け入れるように正規表現を書くことができます。