未知格式的 Perl RegEx

Question

我正在尝试用空格替换一些解码字符（例如 \x{2013}、\u{38} 等）。以下是我使用的正则表达式。但我收到Wide character 错误或打印消息中的某些字符仍未正确解码。我认为它与表达式不匹配，我尝试了不同的方法。我想要所有那些带有空格或 - 的解码字符。请在下面找到我的非工作代码：

    use strict;
    use warnings;

    my $sai = qq(Asdf \\u2013abc<br />jkl-abcd<br /><div>!\\"\\u00A3$%^&amp;*()-_     =+</div><div>{</div><div>}</div><div>[</div><div>]</div><div>: ; @ \' # ~*,,</div><div>? &gt; &lt; . , / | \\\\ ` /* - + . &nbsp;</div><div>&nbsp;</div><div>&nbsp;12345</div><div>&nbsp;&nbsp;</div><ul><li><span obj=\\"venit-rte-obj-026f68485\\">\\u00FC<span obj=\\"venit-rte-obj-0196185f4\\">&nbsp;&nbsp;</span></span>Abcd</li><ul><li><span obj=\\"venit-rte-obj-026f68485\\">v<span obj=\\"venit-rte-obj-0196185f4\\">&nbsp;&nbsp;</span></span>Abcd</li><li><span obj=\\"venit-rte-obj-026f68485\\">v<span obj=\\"venit-rte-obj-0196185f4\\">&nbsp;&nbsp;</span></span>Jkl</li><ul><li><span obj=\\"venit-rte-obj-0a7a49fef\\">\\u00B7<span obj=\\"venit-rte-obj-0196185f4\\">&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</span></span>Asdf</li></ul><li><span obj=\\"venit-rte-obj-026f68485\\">\\u00A7<span obj=\\"venit-rte-obj-0196185f4\\">&nbsp;&nbsp;</span></span>test</li></ul></ul><div>&nbsp;</div><div>&nbsp;</div><div><ul><li><span obj=\\"venit-rte-obj-026f68485\\">\\u00D8<span obj=\\"venit-rte-obj-0196185f4\\">&nbsp;&nbsp;</span></span>Dfgst</li><li><span obj=\\"venit-rte-obj-026f68485\\">\\u00D8<span obj=\\"venit-rte-obj-0196185f4\\">&nbsp;&nbsp;</span></span>Sdrgdg</li><ul><li><span obj=\\"venit-rte-obj-0a7a49fef\\">\\u00B7<span obj=\\"venit-rte-obj-0196185f4\\">&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</span></span>Abcd</li></ul></ul>Testing \\u2013 code</div> \x{2013};\x{2013}abcjkl-abcd!\"\x{a3} \$%^&*()-_=+{}[]: ;\@ ' # ~*,,? >  AbcdTesting \x{2013} code670123456789 \x{fc} Abcdv Abcdv Jkl\x{b7} Asdfs\x{a7} test \x{d8} Dfgst\x{d8} Sdrgdg\x{b7});

    for ($sai)
   {

     s/[^\p{ASCII}]//g;
     s/\\u[0-9]+/-/g;
     s/\\x[a-z0-9]/-/g;

   }

   print $sai;

现在只有 x{d8} 等没有消失

Answer 1

qq（双引号）运算符支持像\x{2013} 这样的反斜杠序列，因此：

my $process = qq(\x{2013});

声明 $process 并将其初始化为包含单个 en dash (U+2013) 的字符串。

这个：

$process =~ s/\\x\{[0-9]+\}//sg ;

从$process 中删除像\x{2013} 这样的任何序列；但它不包括任何这样的序列，它只包含一个破折号。

如果您的目标是去除任何宽字符（U+007F 以上的字符），您可以这样写：

$process =~ s/[^\x00-\x7F]//g;

Answer 2

您的问题是 \x{2013} 不是一段文本 - 它是一个 unicode 字符。你在你的正则表达式中转义它，所以正则表达式不匹配。

这将适用于该特定角色：

my $process = qq(\x{2013});
$process =~ s/\x{2013}//sg ;
print $process;

但如果你想更一般地从字符串中删除 unicode 字符：

my $process = qq(\x{2013});
$process =~ s/[^\w\s\d]+//g ;
print $process;

编辑：来自 cmets - 如果您只想删除 'non ASCII - 值得一看 perlrecharclass

$process =~ s/[^\p{ASCII}]/-/g;