Rimozione di caratteri non stampabili da una stringa in Python
-
01-07-2019 - |
Domanda
Io vado a correre
$s =~ s/[^[:print:]]//g;
su Perl per eliminare i caratteri non stampabili.
In Python non ci sono classi regex POSIX e non posso scrivere [:print:] facendo in modo che significhi quello che voglio.Non conosco alcun modo in Python per rilevare se un carattere è stampabile o meno.
Cosa faresti?
MODIFICARE:Deve supportare anche i caratteri Unicode.Il modo string.printable li eliminerà felicemente dall'output.curses.ascii.isprint restituirà false per qualsiasi carattere Unicode.
Soluzione
Sfortunatamente l'iterazione sulle stringhe è piuttosto lenta in Python.Le espressioni regolari sono più veloci di un ordine di grandezza per questo genere di cose.Devi solo costruire tu stesso la classe del personaggio.IL unicodedata il modulo è molto utile per questo, specialmente il unicodedata.categoria() funzione.Vedere Database di caratteri Unicode per le descrizioni delle categorie.
import unicodedata, re
all_chars = (unichr(i) for i in xrange(0x110000))
control_chars = ''.join(c for c in all_chars if unicodedata.category(c) == 'Cc')
# or equivalently and much more efficiently
control_chars = ''.join(map(unichr, range(0,32) + range(127,160)))
control_char_re = re.compile('[%s]' % re.escape(control_chars))
def remove_control_chars(s):
return control_char_re.sub('', s)
Altri suggerimenti
Per quanto ne so, il metodo più Pythonic/efficiente sarebbe:
import string
filtered_string = filter(lambda x: x in string.printable, myStr)
Potresti provare a impostare un filtro utilizzando il file unicodedata.category()
funzione:
import unicodedata
printable = {'Lu', 'Ll'}
def filter_non_printable(str):
return ''.join(c for c in str if unicodedata.category(c) in printable)
Vedere la Tabella 4-9 a pagina 175 nella Proprietà dei caratteri del database Unicode per le categorie disponibili
In Python 3,
def filter_nonprintable(text):
import string
# Get the difference of all ASCII characters from the set of printable characters
nonprintable = set([chr(i) for i in range(128)]).difference(string.printable)
# Use translate to remove all non-printable characters
return text.translate({ord(character):None for character in nonprintable})
Vedere questo post di StackOverflow sulla rimozione della punteggiatura per come .translate() si confronta con regex e .replace()
Questa funzione utilizza la comprensione delle liste e str.join, quindi viene eseguita in tempo lineare anziché O(n^2):
from curses.ascii import isprint
def printable(input):
return ''.join(char for char in input if isprint(char))
Il meglio che ho trovato ora è (grazie ai Python-izer sopra)
def filter_non_printable(str):
return ''.join([c for c in str if ord(c) > 31 or ord(c) == 9])
Questo è l'unico modo in cui ho scoperto che funziona con caratteri/stringhe Unicode
Qualche opzione migliore?
Quello sotto è più veloce degli altri sopra.Guarda
''.join([x if x in string.printable else '' for x in Str])
In Python non ci sono classi regex POSIX
Ci sono quando si utilizza il regex
biblioteca: https://pypi.org/project/regex/
È ben mantenuto e supporta Unicode regex, Posix regex e molti altri.L'utilizzo (firme del metodo) è molto simile a quello di Python re
.
Dalla documentazione:
[[:alpha:]]; [[:^alpha:]]
Sono supportate le classi di caratteri POSIX.Questi sono normalmente trattati come una forma alternativa
\p{...}
.
(Non sono affiliato, solo un utente.)
Per rimuovere gli "spazi bianchi",
import re
t = """
\n\t<p> </p>\n\t<p> </p>\n\t<p> </p>\n\t<p> </p>\n\t<p>
"""
pat = re.compile(r'[\t\n]')
print(pat.sub("", t))
Ancora un'altra opzione in Python 3:
re.sub(f'[^{re.escape(string.printable)}]', '', my_string)
Quanto segue funzionerà con l'input Unicode ed è piuttosto veloce...
import sys
# build a table mapping all non-printable characters to None
NOPRINT_TRANS_TABLE = {
i: None for i in range(0, sys.maxunicode + 1) if not chr(i).isprintable()
}
def make_printable(s):
"""Replace non-printable characters in a string."""
# the translate method on str removes characters
# that map to None from the string
return s.translate(NOPRINT_TRANS_TABLE)
assert make_printable('Café') == 'Café'
assert make_printable('\x00\x11Hello') == 'Hello'
assert make_printable('') == ''
I miei test suggeriscono che questo approccio è più veloce delle funzioni che eseguono l'iterazione sulla stringa e restituiscono un risultato utilizzando str.join
.