Zamień znaki spoza ASCII na pojedynczą spację

Muszę zastąpić wszystkie znaki spoza ASCII (\ x00- \ x7F) spacją. Dziwi mnie, że w Pythonie nie jest to łatwe, chyba że czegoś mi brakuje. Następująca funkcja po prostu usuwa wszystkie znaki spoza ASCII:

def remove_non_ascii_1(text):

    return ''.join(i for i in text if ord(i)<128)

I ten zastępuje znaki spoza ASCII ilością spacji odpowiadającą liczbie bajtów w punkcie kodu znaku (tzn. –Znak jest zastępowany 3 spacjami):

def remove_non_ascii_2(text):

    return re.sub(r'[^\x00-\x7F]',' ', text)

Jak mogę zastąpić wszystkie znaki spoza ASCII pojedynczą spacją?

Od tej niezliczonej o podobnej SO pytania , żaden adres charakter zamiennych w przeciwieństwie do rozbiórki , a dodatkowo nie uwzględniają wszystkich znaków spoza ASCII specyficzny charakter.

Twoje ''.join()wyrażenie filtruje , usuwając wszystko inne niż ASCII; zamiast tego możesz użyć wyrażenia warunkowego:

return ''.join([i if ord(i) < 128 else ' ' for i in text])

To obsługuje znaki jeden po drugim i nadal używałoby jednego miejsca na zastąpioną postać.

Twoje wyrażenie regularne powinno po prostu zastąpić kolejne znaki spoza ASCII spacją:

re.sub(r'[^\x00-\x7F]+',' ', text)

Uwaga +tam.

Dla uzyskania najbardziej podobnej reprezentacji oryginalnego ciągu polecam moduł unidecode :

from unidecode import unidecode
def remove_non_ascii(text):
    return unidecode(unicode(text, encoding = "utf-8"))

Następnie możesz użyć go w ciągu:

remove_non_ascii("Ceñía")
Cenia

Do przetwarzania znaków użyj ciągów Unicode:

PythonWin 3.3.0 (v3.3.0:bd8afb90ebf2, Sep 29 2012, 10:57:17) [MSC v.1600 64 bit (AMD64)] on win32.
>>> s='ABC马克def'
>>> import re
>>> re.sub(r'[^\x00-\x7f]',r' ',s)   # Each char is a Unicode codepoint.
'ABC  def'
>>> b = s.encode('utf8')
>>> re.sub(rb'[^\x00-\x7f]',rb' ',b) # Each char is a 3-byte UTF-8 sequence.
b'ABC      def'

Ale zauważ, że nadal będziesz mieć problem, jeśli Twój ciąg znaków zawiera rozłożone znaki Unicode (na przykład oddzielny znak i łączące znaki akcentu):

>>> s = 'mañana'
>>> len(s)
6
>>> import unicodedata as ud
>>> n=ud.normalize('NFD',s)
>>> n
'mañana'
>>> len(n)
7
>>> re.sub(r'[^\x00-\x7f]',r' ',s) # single codepoint
'ma ana'
>>> re.sub(r'[^\x00-\x7f]',r' ',n) # only combining mark replaced
'man ana'

Jeśli zamiennym znakiem może być „?” zamiast spacji sugerowałbym result = text.encode('ascii', 'replace').decode():

"""Test the performance of different non-ASCII replacement methods."""


import re
from timeit import timeit


# 10_000 is typical in the project that I'm working on and most of the text
# is going to be non-ASCII.
text = 'Æ' * 10_000


print(timeit(
    """
result = ''.join([c if ord(c) < 128 else '?' for c in text])
    """,
    number=1000,
    globals=globals(),
))

print(timeit(
    """
result = text.encode('ascii', 'replace').decode()
    """,
    number=1000,
    globals=globals(),
))

Wyniki:

0.7208260721400134
0.009975979187503592

A co z tym?

def replace_trash(unicode_string):
     for i in range(0, len(unicode_string)):
         try:
             unicode_string[i].encode("ascii")
         except:
              #means it's non-ASCII
              unicode_string=unicode_string[i].replace(" ") #replacing it with a single space
     return unicode_string

Jako natywne i wydajne podejście, nie musisz używać ordani zapętlać znaków. Wystarczy zakodować asciii zignorować błędy.

Poniższe po prostu usunie znaki inne niż ascii:

new_string = old_string.encode('ascii',errors='ignore')

Teraz, jeśli chcesz zastąpić usunięte znaki, wykonaj następujące czynności:

final_string = new_string + b' ' * (len(old_string) - len(new_string))

Potencjalnie na inne pytanie, ale podaję moją wersję odpowiedzi @ Alvero (używając unidecode). Chcę zrobić „zwykły” pasek na moich ciągach, tj. Początek i koniec mojego ciągu dla białych znaków, a następnie zastąpić tylko inne znaki białych znaków „zwykłą” spacją, tj.

"Ceñíaㅤmañanaㅤㅤㅤㅤ"

do

"Ceñía mañana"

,

def safely_stripped(s: str):
    return ' '.join(
        stripped for stripped in
        (bit.strip() for bit in
         ''.join((c if unidecode(c) else ' ') for c in s).strip().split())
        if stripped)

Najpierw zamieniamy wszystkie spacje inne niż Unicode spacją zwykłą (i łączymy ją ponownie),

''.join((c if unidecode(c) else ' ') for c in s)

A potem dzielimy to ponownie, normalnym podziałem Pythona, i usuwamy każdy „bit”,

(bit.strip() for bit in s.split())

I w końcu dołącz do nich ponownie, ale tylko wtedy, gdy ciąg minie if test,

' '.join(stripped for stripped in s if stripped)

I dzięki temu safely_stripped('ㅤㅤㅤㅤCeñíaㅤmañanaㅤㅤㅤㅤ')poprawnie zwraca 'Ceñía mañana'.