用单个空格替换非ASCII字符

我需要用空格替换所有非ASCII（\ x00- \ x7F）字符。令我惊讶的是，这在Python中并不是一件容易的事，除非我丢失了一些东西。以下功能仅删除所有非ASCII字符：

def remove_non_ascii_1(text):

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

并且该字符将非ASCII字符替换为空格，该空格数量与字符代码点中的字节数相同（即，–字符替换为3个空格）：

def remove_non_ascii_2(text):

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

如何用单个空格替换所有非ASCII字符？

的 在 无数 的 类似 SO 问题，无 地址 的字符 替换 为 反对 以 剥离，并进一步解决所有非ASCII字符不是一个特定的字符。

您的''.join()表达式正在过滤，删除所有非ASCII内容；您可以改为使用条件表达式：

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

这将一个接一个地处理字符，每个替换字符仍将使用一个空格。

您的正则表达式应仅将连续的非ASCII字符替换为一个空格：

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

注意+那里。

对于您来说，您可以获得原始字符串的最相似的表示形式，我建议使用unidecode模块：

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

然后，您可以在字符串中使用它：

remove_non_ascii("Ceñía")
Cenia

对于字符处理，请使用Unicode字符串：

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'

但是请注意，如果您的字符串包含分解的Unicode字符（例如，单独的字符和带重音符号的组合），您仍然会遇到问题：

>>> 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'

如果替换字符可以是“？” 而不是空格，那么我建议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(),
))

结果：

0.7208260721400134
0.009975979187503592

这个如何？

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

作为一种本机且高效的方法，您不需要使用ord字符或对其进行任何循环。只需使用进行编码，ascii然后忽略错误即可。

以下内容将只删除非ASCII字符：

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

现在，如果要替换已删除的字符，请执行以下操作：

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

可能会提出其他问题，但我正在提供@Alvero的答案（使用unidecode）。我想对字符串进行“常规”删除，即字符串的开头和结尾为空白字符，然后仅将其他空白字符替换为“常规”空格，即

"Ceñíaㅤmañanaㅤㅤㅤㅤ"

至

"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)

我们首先将所有非unicode空格替换为常规空格（然后重新加入），

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

然后，我们使用python的正常拆分方法再次拆分，并剥离每个“位”，

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

最后，再次将它们重新加入，但是只有当字符串通过if测试时，

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

然后，safely_stripped('ㅤㅤㅤㅤCeñíaㅤmañanaㅤㅤㅤㅤ')正确返回'Ceñía mañana'。