解決python 文本過濾和清理問題

問題

某些無聊的腳本小子在Web頁面表單中填入了“pýtĥöñ”這樣的文本，我們想以某種方式將其清理掉。

解決方案

文本過濾和清理所涵蓋的范圍非常廣泛，涉及文本解析和數據處理方面的問題。在非常簡單的層次上，我們可能會用基本的字符串函數（例如str.upper()和str.lower()）將文本轉換為標準形式。簡單的替換操作可通過str.replace()或re.sub()來完成，它們把重點放在移除或修改特定的字符序列上。也可以利用unicodedata.normalize()來規范化文本。

然而我們可能想更進一步。比方說也許想清除整個范圍內的字符，或者去掉音符標志。要完成這些任務，可以使用常被忽視的str.translate()方法。為了說明其用法，假設有如下這段混亂的字符串：

>>> s = 'pytĥon\fis\tawesome\r\n'
>>> s
'pytĥon\x0cis\tawesome\r\n'
>>>

第一步是清理空格。要做到這步，先建立一個小型的轉換表，然后使用translate()方法：

>>> remap = {
...   ord('\t') : ' ',
...   ord('\f') : ' ',
...   ord('\r') : None    # Deleted
... }
>>> a = s.translate(remap)
>>> a
'pytĥon is awesome\n'

可以看到，類似t和f這樣的空格符已經被重新映射成一個單獨的空格。回車符r已經完全被刪除掉了。

可以利用這種重新映射的思想進一步構建出更加龐大的轉換表。例如，我們把所有的Unicode組合字符都去掉：

>>> import unicodedata
>>> import sys
>>> cmb_chrs = dict.fromkeys(c for c in range(sys.maxunicode) if unicodedata.combining(chr(c)))
...
>>> b = unicodedata.normalize('NFD', a)
>>> b
'pytĥon is awesome\n'
>>> b.translate(cmb_chrs)
'python is awesome\n'
>>>

在這個例子中，我們使用dict.fromkeys()方法構建了一個將每個Unicode組合字符都映射為None的字典。

原始輸入會通過unicodedata.normalize()方法轉換為分離形式，然后再通過translate()方法刪除所有的重音符號。我們也可以利用相似的技術來去掉其他類型的字符（例如控制字符）。

下面來看另一個例子。這里有一張轉換表將所有的Unicode十進制數字字符映射為它們對應的ASCII版本：

>>> digitmap = { c: ord('0') + unicodedata.digit(chr(c))
...        for c in range(sys.maxunicode)
...        if unicodedata.category(chr(c)) == 'Nd' }
...
>>> len(digitmap)
460
>>> # Arabic digits
>>> x = '\u0661\u0662\u0663'
>>> x.translate(digitmap)
'123'
>>>

另一種用來清理文本的技術涉及I/O解碼和編碼函數。大致思路是首先對文本做初步的清理，然后通過結合encode()和decode()操作來修改或清理文本。示例如下：

>>> a
'pytĥon is awesome\n'
>>> b = unicodedata.normalize('NFD', a)
>>> b.encode('ascii', 'ignore').decode('ascii')
'python is awesome\n'
>>>

這里的normalize()方法先對原始文本做分解操作。后續的ASCII編碼/解碼只是簡單地一次性丟棄所有不需要的字符。很顯然，這種方法只有當我們的最終目標就是ASCII形式的文本時才有用。

討論

文本過濾和清理的一個主要問題就是運行時的性能。一般來說操作越簡單，運行得就越快。對于簡單的替換操作，用str.replace()通常是最快的方式——即使必須多次調用它也是如此。比方說如果要清理掉空格符，可以編寫如下的代碼：

def clean_spaces(s):
  s = s.replace('\r', '')
  s = s.replace('\t', ' ')
  s = s.replace('\f', ' ')
return s

如果試著調用它，就會發現這比使用translate()或者正則表達式的方法要快得多。

另一方面，如果需要做任何高級的操作，比如字符到字符的重映射或刪除，那么translate()方法還是非常快的。

從整體來看，我們應該在具體的應用中去進一步揣摩性能方面的問題。不幸的是，想在技術上給出一條“放之四海而皆準”的建議是不可能的，所以應該嘗試多種不同的方法，然后做性能統計分析。

盡管本節的內容主要關注的是文本，但類似的技術也同樣適用于字節對象（byte），這包括簡單的替換、翻譯和正則表達式。

總結

以上所述是小編給大家介紹的解決python 文本過濾和清理問題,希望對大家有所幫助，如果大家有任何疑問請給我留言，小編會及時回復大家的。在此也非常感謝大家對億速云網站的支持！
如果你覺得本文對你有幫助，歡迎轉載，煩請注明出處，謝謝！