正则文本过滤时的一些注意事项

目的是要过滤掉特殊符号，只保留常规的中文、英文、数字，例如各种表情符号是要过滤掉的

中文范围：\u4e00-\u9fa5
英文范围：a-zA-Z
数字范围：0-9

在正则中，用\w可以代码普通的字符，用\d可以代替数字，但在实践中发现，如果在过滤中使用\w、\d来代替的话，有一些特殊字符中会被保留的，也就是没有如期被过滤掉。
当然也可能是我的用法不对，有人知道的话请指正。

如下一个特殊字符：

๑

其ASCII码是\u0e51，经测试，如果用\w来过滤，它是不会被过滤掉的，意思是它属于\w的范围，代码如下（Python语法）：

ss = '(๑•̀㉨•́ฅ✧ 早U\小我ki\↖义ir.u9↖\↖〉ik梯△建迷\Ⅰ‘\(‘\汁l\i\义嫩∵迷☆迷茫期末考试o人又寸\义√近近oiii`相义消心o义↖失过了\↖义'
re.sub('[^\w\d\u4e00-\u9fa5]', '', ss)

输出：

๑ฅ早U小米ki义iru9ik梯建迷Ⅰ汁li义嫩迷迷茫期末考试o人又寸义近近oiii相义消心o义失过了义

正则里面用的是\w\d，注意替换后开头的两个特殊符号还在。

下面把\w改为 a-zA-Z：

ss = '(๑•̀㉨•́ฅ✧ 早U\小我ki\↖义ir.u9↖\↖〉ik梯△建迷\Ⅰ‘\(‘\汁l\i\义嫩∵迷☆迷茫期末考试o人又寸\义√近近oiii`相义消心o义↖失过了\↖义'
re.sub('[^a-zA-Z\d\u4e00-\u9fa5]', '', ss)

输出：

๑早U小米ki义iru9ik梯建迷汁li义嫩迷迷茫期末考试o人又寸义近近oiii相义消心o义失过了义

前一次输出中的第2个特殊字符没有了。再把\d替换为0-9：

ss = '(๑•̀㉨•́ฅ✧ 早U\小我ki\↖义ir.u9↖\↖〉ik梯△建迷\Ⅰ‘\(‘\汁l\i\义嫩∵迷☆迷茫期末考试o人又寸\义√近近oiii`相义消心o义↖失过了\↖义'
re.sub('[^a-zA-Z0-9\u4e00-\u9fa5]', '', ss)

输出：

早U小米ki义iru9ik梯建迷汁li义嫩迷迷茫期末考试o人又寸义近近oiii相义消心o义失过了义

开头的特殊字符都没有了