regex python z emisji (japoński) Unicode

Question

Chcę usunąć część napisu (wytłuszczone) poniżej, to jest przechowywany w ciągu oldString

[DMSM-8433] 加 護 亜 依 Kago Ai - 加 護 亜 依 vs. PIĄTEK

im przy następujące wyrażenia regularnego w ciągu pytona

p=re.compile(ur"([\W]+) (?=[A-Za-z ]+–)", re.UNICODE) 
newString=p.sub("", oldString) 

kiedy wyjście newString nr sprawa została usunięta

Answer 1

Można użyć następującego fragmentu kodu, aby rozwiązać problem:

#!/usr/bin/python 
# -*- coding: utf-8 -*- 
import re 
str = u'[DMSM-8433] 加護亜依 Kago Ai – 加護亜依 vs. FRIDAY' 
regex = u'[\u3000-\u303f\u3040-\u309f\u30a0-\u30ff\uff00-\uff9f\u4e00-\u9faf\u3400-\u4dbf]+ (?=[A-Za-z ]+–)' 
p = re.compile(regex, re.U) 
match = p.sub("", str) 
print match.encode("UTF-8") 

Zobacz IDEONE demo

Obok # -*- coding: utf-8 -*- deklaracji Dodałem @nhahtdh's character class to detect Japanese symbols.

Pamiętaj, że kod match musi być zakodowany jako ciąg znaków UTF-8 "ręcznie", ponieważ Python 2 wymaga "przypomnienia", że cały czas pracujemy z Unicode.

Answer 2

myślę, że należy użyć wyrażenia regularnego jak ten:

([\p{Hiragana}\p{Katakana}\p{Han}]+) 

patrz też this documentation.

EDIT: ja również przetestowane here.