需要 RE 来检测 UTF-8答案

【问题标题】：Need RE to detect UTF-8需要 RE 来检测 UTF-8
【发布时间】：2013-05-21 13:43:19
【问题描述】：

我有以下代码

inf = codecs.open(inPath , encoding='utf-8')
outf = codecs.open(outPath, encoding='utf-8', mode='w')
old = u'’;'
new = u'’&#59;'
for line in inf:
    line = line.replace(old,new)
    asc = line.encode('ascii', 'xmlcharrefreplace')    
    outf.write(asc)
    # print asc
inf.close()
outf.close()

这（正确地）使用数字格式将智能引号和重音字符等转换为它们的 html 实体格式。它会转换

<p>Dreams like: “Someday I’ll travel to…; someday I’ll write a book;

进入

<p>Dreams like: &#8220;Someday I&#8217;ll travel to&#8230;; someday I&#8217;ll write a book;

这都是正确的。

但是，代码更下游，看到中间的&#8230;;，删除了双分号，然后抱怨它没有得到一个有效的实体。我无法更改此代码。

从我的代码中可以看出，我发现了一个实体后跟分号的情况。我不想替换源代码中的所有分号。

如何检测代码点 > 127 的 UTF-8 字符后面的分号，以便可以将其替换为 &#59;？谢谢。

【问题讨论】：

在我看来问题出在“删除双分号然后抱怨它没有有效实体”的代码上；您也应该发布该代码；而且我不认为从文本中删除双分号是所谓的预期行为。
我完全同意下游代码已损坏。要么是亚马逊的代码，要么是苹果的代码——他们不会玩。
那么您调用的代码是什么？也许问题是“为什么 Apple 的任何 API 会从我的文本中删除双分号？”不是用于查找带有以下分号的 UTF-8 字符的正则表达式
我只是将一个 epub 文件加载到 iTunes 并复制到我的 iPad。

标签： python regex utf-8

【解决方案1】：

掌心！

如果我先转换为 htmlentites，然后将 ;; 替换为 ;&#69; 就可以解决我的问题。

自我提醒 - 考虑你在哪里做事，以及做什么！

【讨论】：