两个字符串比较的问题 Python

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

推荐学习书目

› Learn Python the Hard Way

Python Sites

› PyPI - Python Package Index

› http://diveintopython.org/toc/index.html

› Pocoo

值得关注的项目

› PyPy

› Celery

› Jinja2

› Read the Docs

› gevent

› pyenv

› virtualenv

› Stackless Python

› Beautiful Soup

› 结巴中文分词

› Green Unicorn

› Sentry

› Shovel

› Pyflakes

› pytest

Python 编程

› pep8 Checker

Styles

› PEP 8

› Google Python Style Guide

› Code Style from The Hitchhiker's Guide

这是一个创建于 1295 天前的主题，其中的信息可能已经有所发展或是发生改变。

xdm，遇到一个问题。

背景：

需要比较两个字符串是否相等, 无视中英文标点符号

问题:

通过replace等格式转换之后, 比较两个字符串

d = "进 出口中心"
s = "进出口中心"

print(d == s)

但是两个看起来一样的字符串不相等, 第一个中间出现了特殊字符

如何把这种特殊符号处理掉，然后按相同去判断？

字符

相等

标点符号

Replace

13 条回复 • 2021-05-07 12:55:46 +08:00

Te11UA

2021-05-06 11:42:15 +08:00

```
import re

def filter_str(desstr, restr=''):
# 过滤除中英文及数字以外的其他字符
res = re.compile("[^\\u4e00-\\u9fa5^a-z^A-Z^0-9]")
return res.sub(restr, desstr)

print(filter_str(d) == s)
```

vegetableChick

2021-05-06 11:48:52 +08:00

@Te11UA `- ) ( , .`会有这些符号

Te11UA

2021-05-06 11:52:14 +08:00

@vegetableChick #2 自己加正则不就行了

no1xsyzy

2021-05-06 13:07:37 +08:00

通常来说是根据可打印与否来分析 ''.join(c for c in d if c.isprintable())
但如果空格也不需要的话，对每个字符 strip 也可 ''.join(c.strip() for c in d)
具体情况，具体分析

@Te11UA 一个 [] 里面只需要一个 ^ 就行。你现在这个代码 filter_str("^") == "^"，与注释不符

bytesfold

2021-05-06 13:11:24 +08:00

Python Cookbook 第二章第九节

mekingname

2021-05-06 13:45:57 +08:00

@bytesfold normalize 并不能移除`\u2029`这个零宽字符。

NoAnyLove

2021-05-06 13:49:56 +08:00

^ 2.12

Ug24m31

2021-05-06 15:54:41 +08:00

某些部首的问题，github 上有康熙部首替换字典

vegetableChick

2021-05-06 18:13:23 +08:00

@NoAnyLove @Te11UA @Ug24m31 @bytesfold @delectate @mekingname @no1xsyzy 感谢大家暂时使用 @no1xsyzy 这种方法 `''.join(c for c in d if c.isprintable())` 顺便问一下这种问题一般是什么原因导致的？

l4ever

2021-05-06 19:13:45 +08:00

长得一样, Unicode 不一样.

no1xsyzy

2021-05-07 00:11:49 +08:00

print(f"{d=}, {s=}")
特定这个问题，这里是 d 里面有个 U+2029 Paragraph Separator
参考： https://www.compart.com/en/unicode/U+2029

不单纯考虑这个问题的话
Unicode 有 NFKC 、NFKD 、NFC 和 NFD 四种正规形式，参考：《 Unicode 等价性》 https://zh.wikipedia.org/wiki/Unicode%E7%AD%89%E5%83%B9%E6%80%A7 但这块 CJK 比较少见
除此以外，Unicode 本身有错，同形没合并的不少，常用字也偶有这种情况，繁体、中简、日简尤其严重。（有时会觉得，不如不要 CJK，这样多种字体并用也很容易，不需要 <html lang=...> 这种东西。）

kkzxak47

2021-05-07 12:55:46 +08:00 via Android

“格式转换”这种事情应该让你的数据变得更好处理，然而现在变得更难处理，所以应该修改之前的处理步骤，而不是进入到一个失控的状态再来想办法。