问题 1

• \u200b \u200c ... 这类零宽字符去除
• ascii 前面那堆去除
• — – 类似这种长得很像减号换成减号
• 保留可见的 unicode 字符，包括中文、阿拉伯语、日文、西班牙语等字符。

类似这样的字符清洗的轮子有嘛？ 手动写筛选条件怕有遗漏。

问题 2

另外在 python3 里，有些字符串

"\u2086san'中文"

类似这样的，其中中文也是 unicode，但是是可见的。
用 unicode-escape 的话，中文也会变成\u 开头。
有没有方法，在\u2086这种表现形式的字符出现的时候，判断一下？