从转录作业的 S3 对象键中删除特殊字符

问题描述

这是我创建的第一个 Lambda 函数，在今天之前我从未写过一行 Python。我确实有 Salesforce 的 APEX 语言的编程经验，所以我可以理解其中的大部分内容。

我有这个 Lambda 函数，它从 S3 中获取一个对象 (wav) 并将其发送到 AWS Transcribe。我希望 Transcribe 作业的名称是 S3 对象的名称，如果名称很简单，例如“recording.wav”，我可以完成该名称。当我有一个像“4A6E388B48D454FA993D52611ADD1AB_INT - Integris [email protected]_8082924979__2_X - Survey.wav”这样的复杂名称时，我的问题就出现了，因为特殊字符会把事情搞砸。

有人能告诉我一个简单的方法来删除所有这些特殊字符并用下划线替换它们吗？我尝试使用 unquote_plus 但它没有解决我的问题。

这里是 lambda 代码：

import boto3
from urllib.parse import unquote_plus
#Create low level clients for s3 and Transcribe
s3  = boto3.client('s3')
transcribe = boto3.client('transcribe')
def lambda_handler(event,context):
    
    #parse out the bucket & file name from the event handler
    for record in event['Records']:
        file_bucket = record['s3']['bucket']['name']
        file_name = record['s3']['object']['key']
        file_name_only = unquote_plus(record['s3']['object']['key'])
        object_url = 'https://s3.amazonaws.com/{0}/{1}'.format(file_bucket,file_name)
            
        response = transcribe.start_transcription_job(
            TranscriptionJobName=file_name_only,LanguageCode='en-US',MediaFormat='wav',Media={
                'MediaFileUri': object_url
            })
        
        print(response)

这是来自 AWS CloudWatch 的错误：

解决方法

您可以使用简单的正则表达式替换所有非字母数字字符：

# Just for testing
record = {'s3': {'object': {'key': 'path/to/bad - file@with:symbols!.wav'}}}

import re
# Use a simple regexp to replace all non alphanumeric characters
file_name_only = re.sub("[^a-zA-Z0-9]","_",record['s3']['object']['key'])
print(file_name_only)

# Outputs: path_to_bad___file_with_symbols__wav