Заменить не-ASCII символы одним пробелом

Мне нужно заменить все не-ASCII (\ x00- \ x7F) символы пробелом. Я удивлен, что это не так просто в Python, если я что-то упустил. Следующая функция просто удаляет все не-ASCII символы:

def remove_non_ascii_1(text):

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

И этот заменяет не-ASCII символы количеством пробелов согласно количеству байтов в кодовой точке символа (т.е. –символ заменяется 3 пробелами):

def remove_non_ascii_2(text):

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

Как заменить все символы, не входящие в ASCII, одним пробелом?

Из за несметного из подобных SO вопросов , ни один адрес символов замены в противоположность к зачистки , и дополнительно обратиться ко всем не-ASCII символы не конкретный характер.

Ваше ''.join()выражение фильтрует , удаляет все, что не является ASCII; вместо этого вы можете использовать условное выражение:

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

Это обрабатывает символы один за другим и все равно будет использовать один пробел на замененный символ.

Ваше регулярное выражение должно просто заменить последовательные символы, не входящие в ASCII, пробелом:

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

Обратите внимание на +там.

Чтобы вы получили наиболее похожее представление вашей исходной строки, я рекомендую модуль unidecode :

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

Тогда вы можете использовать его в строке:

remove_non_ascii("Ceñía")
Cenia

Для символьной обработки, использовать строки 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'

Но учтите, что у вас все еще будет проблема, если ваша строка содержит разложенные символы Unicode (например, отдельный символ и комбинацию знаков ударения):

>>> 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'

Если символ замены может быть '?' вместо пробела я бы предложил 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(),
))

Полученные результаты:

0.7208260721400134
0.009975979187503592

Что насчет этого?

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

В качестве нативного и эффективного подхода вам не нужно использовать ordкакой-либо цикл над символами. Просто закодируйте сascii и игнорируйте ошибки.

Следующее просто удалит не-ascii символы:

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

Теперь, если вы хотите заменить удаленные символы, просто сделайте следующее:

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

Возможно, для другого вопроса, но я предоставляю свою версию ответа @ Alvero (используя unidecode). Я хочу сделать "обычную" полосу для моих строк, то есть начало и конец моей строки для пробельных символов, а затем заменить только другие пробельные символы на "обычный" пробел, т.е.

"Ceñíaㅤmañanaㅤㅤㅤㅤ"

в

"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)

Сначала мы заменим все не-юникодные пробелы обычным пробелом (и снова включим его),

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

И затем мы разделяем это снова, с нормальным разделением Python, и удаляем каждый "бит",

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

И, наконец, присоединиться к ним снова, но только если строка проходит ifтест,

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

И с этим safely_stripped('ㅤㅤㅤㅤCeñíaㅤmañanaㅤㅤㅤㅤ')правильно возвращается 'Ceñía mañana'.