Удаление непечатаемых символов из строки в Python

Я использую для бега

$s =~ s/[^[:print:]]//g;

на Perl, чтобы избавиться от непечатаемых символов.

В Python нет классов регулярных выражений POSIX, и я не могу написать [: print:], чтобы он означал то, что я хочу. Я не знаю, как в Python определить, можно ли распечатать символ.

Что бы вы сделали?

EDIT: он также должен поддерживать символы Unicode. Метод string.printable удалит их из вывода. curses.ascii.isprint вернет false для любого символа Юникода.

К сожалению, перебор строк в Python выполняется довольно медленно. Регулярные выражения для такого рода вещей более чем на порядок быстрее. Вам просто нужно самому создать класс персонажа. Для этого очень полезен модуль unicodedata , особенно функция unicodedata.category () . См. Описание категорий в базе данных символов Unicode .

import unicodedata, re, itertools, sys

all_chars = (chr(i) for i in range(sys.maxunicode))
categories = {'Cc'}
control_chars = ''.join(c for c in all_chars if unicodedata.category(c) in categories)
# or equivalently and much more efficiently
control_chars = ''.join(map(chr, itertools.chain(range(0x00,0x20), range(0x7f,0xa0))))

control_char_re = re.compile('[%s]' % re.escape(control_chars))

def remove_control_chars(s):
    return control_char_re.sub('', s)

Для Python2

import unicodedata, re, sys

all_chars = (unichr(i) for i in xrange(sys.maxunicode))
categories = {'Cc'}
control_chars = ''.join(c for c in all_chars if unicodedata.category(c) in categories)
# or equivalently and much more efficiently
control_chars = ''.join(map(unichr, range(0x00,0x20) + range(0x7f,0xa0)))

control_char_re = re.compile('[%s]' % re.escape(control_chars))

def remove_control_chars(s):
    return control_char_re.sub('', s)

Для некоторых случаев использования дополнительные категории (например, все из контрольной группы могут быть предпочтительнее, хотя это может замедлить время обработки и значительно увеличить использование памяти. Количество символов в категории:

• Cc (контроль): 65
• Cf (формат): 161
• Cs (суррогатная мать): 2048
• Co (частное использование): 137468
• Cn (не назначен): 836601

Редактировать Добавление предложений из комментариев.

Насколько я знаю, наиболее питоническим / эффективным методом будет:

import string

filtered_string = filter(lambda x: x in string.printable, myStr)

Вы можете попробовать настроить фильтр с помощью unicodedata.category()функции:

import unicodedata
printable = {'Lu', 'Ll'}
def filter_non_printable(str):
  return ''.join(c for c in str if unicodedata.category(c) in printable)

См. Таблицу 4-9 на странице 175 в свойствах символов базы данных Unicode для доступных категорий.

В Python 3

def filter_nonprintable(text):
    import itertools
    # Use characters of control category
    nonprintable = itertools.chain(range(0x00,0x20),range(0x7f,0xa0))
    # Use translate to remove all non-printable characters
    return text.translate({character:None for character in nonprintable})

См. Этот пост StackOverflow об удалении знаков препинания, чтобы узнать, как .translate () сравнивается с регулярным выражением и .replace ()

Диапазоны могут быть сгенерированы с nonprintable = (ord(c) for c in (chr(i) for i in range(sys.maxunicode)) if unicodedata.category(c)=='Cc')помощью категорий базы данных символов Unicode, как показано @Ants Aasma.

Следующее будет работать с вводом Unicode и довольно быстро ...

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('') == ''

Мое собственное тестирование показывает, что этот подход быстрее, чем функции, которые перебирают строку и возвращают результат с использованием str.join.

Эта функция использует понимание списка и str.join, поэтому она выполняется за линейное время вместо O (n ^ 2):

from curses.ascii import isprint

def printable(input):
    return ''.join(char for char in input if isprint(char))

Еще один вариант в Python 3:

re.sub(f'[^{re.escape(string.printable)}]', '', my_string)

Лучшее, что я придумал, это (спасибо python-izers выше)

def filter_non_printable(str):
  return ''.join([c for c in str if ord(c) > 31 or ord(c) == 9])

Это единственный способ, который я обнаружил, который работает с символами / строками Unicode.

Есть варианты лучше?

Один из них работает быстрее, чем остальные. Взглянем

''.join([x if x in string.printable else '' for x in Str])

В Python нет классов регулярных выражений POSIX

При использовании regexбиблиотеки есть: https://pypi.org/project/regex/

Он хорошо поддерживается и поддерживает регулярные выражения Unicode, регулярные выражения Posix и многие другие. Использование (сигнатуры методов) очень похоже на использование Python re.

Из документации:

[[:alpha:]]; [[:^alpha:]]

Поддерживаются классы символов POSIX. Обычно они рассматриваются как альтернативная форма \p{...}.

(Я не аффилирован, просто пользователь.)

Основываясь на ответе @Ber, я предлагаю удалить только управляющие символы, как определено в категориях базы данных символов Unicode :

import unicodedata
def filter_non_printable(s):
    return ''.join(c for c in s if not unicodedata.category(c).startswith('C'))

Чтобы удалить "пробел",

import re
t = """
\n\t<p>&nbsp;</p>\n\t<p>&nbsp;</p>\n\t<p>&nbsp;</p>\n\t<p>&nbsp;</p>\n\t<p>
"""
pat = re.compile(r'[\t\n]')
print(pat.sub("", t))

Адаптировано из ответов Антса Аасмы и Шонрада :

nonprintable = set(map(chr, list(range(0,32)) + list(range(127,160))))
ord_dict = {ord(character):None for character in nonprintable}
def filter_nonprintable(text):
    return text.translate(ord_dict)

#use
str = "this is my string"
str = filter_nonprintable(str)
print(str)

протестировано на Python 3.7.7