某些无聊的脚本小子在Web页面表单中填入了“pyt???”这样的文本,我们想以某种方式将其清理掉。
解决方案
文本过滤和清理所涵盖的范围非常广泛,涉及文本解析和数据处理方面的问题。在非常简单的层次上,我们可能会用基本的字符串函数(例如str.upper()和str.lower())将文本转换为标准形式。简单的替换操作可通过str.replace()或re.sub()来完成,它们把重点放在移除或修改特定的字符序列上。也可以利用unicodedata.normalize()来规范化文本。
然而我们可能想更进一步。比方说也许想清除整个范围内的字符,或者去掉音符标志。要完成这些任务,可以使用常被忽视的str.translate()方法。为了说明其用法,假设有如下这段混乱的字符串:
>>> s = ‘pyt?on\fis\tawesome\r\n‘ >>> s ‘pyt?on\x0cis\tawesome\r\n‘ >>> Python资源分享qun 784758214,内有安装包,PDF,学习视频,这里是Python学习者的聚集地,零基础,进阶,都欢迎
第一步是清理空格。要做到这步,先建立一个小型的转换表,然后使用translate()方法:
>>> remap = { ... ord(‘\t‘) : ‘ ‘,... ord(‘\f‘) : ‘ ‘,... ord(‘\r‘) : None # Deleted ... } >>> a = s.translate(remap) >>> a ‘pyt?on is awesome\n‘
可以看到,类似t和f这样的空格符已经被重新映射成一个单独的空格。回车符r已经完全被删除掉了。
可以利用这种重新映射的思想进一步构建出更加庞大的转换表。例如,我们把所有的Unicode组合字符都去掉:
>>> 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 ‘pyt?on is awesome\n‘ >>> b.translate(cmb_chrs) ‘python is awesome\n‘ >>>
在这个例子中,我们使用dict.fromkeys()方法构建了一个将每个Unicode组合字符都映射为None的字典。
原始输入会通过unicodedata.normalize()方法转换为分离形式,然后再通过translate()方法删除所有的重音符号。我们也可以利用相似的技术来去掉其他类型的字符(例如控制字符)。
下面来看另一个例子。这里有一张转换表将所有的Unicode十进制数字字符映射为它们对应的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‘ >>>
另一种用来清理文本的技术涉及I/O解码和编码函数。大致思路是首先对文本做初步的清理,然后通过结合encode()和decode()操作来修改或清理文本。示例如下:
>>> a ‘pyt?on is awesome\n‘ >>> b = unicodedata.normalize(‘NFD‘,a) >>> b.encode(‘ascii‘,‘ignore‘).decode(‘ascii‘) ‘python is awesome\n‘ >>>
这里的normalize()方法先对原始文本做分解操作。后续的ASCII编码/解码只是简单地一次性丢弃所有不需要的字符。很显然,这种方法只有当我们的最终目标就是ASCII形式的文本时才有用。
讨论
文本过滤和清理的一个主要问题就是运行时的性能。一般来说操作越简单,运行得就越快。对于简单的替换操作,用str.replace()通常是最快的方式——即使必须多次调用它也是如此。比方说如果要清理掉空格符,可以编写如下的代码:
def clean_spaces(s): s = s.replace(‘\r‘,‘‘) s = s.replace(‘\t‘,‘ ‘) s = s.replace(‘\f‘,‘ ‘) return s Python资源分享qun 784758214,内有安装包,PDF,学习视频,这里是Python学习者的聚集地,零基础,进阶,都欢迎
如果试着调用它,就会发现这比使用translate()或者正则表达式的方法要快得多。
另一方面,如果需要做任何高级的操作,比如字符到字符的重映射或删除,那么translate()方法还是非常快的。
从整体来看,我们应该在具体的应用中去进一步揣摩性能方面的问题。不幸的是,想在技术上给出一条“放之四海而皆准”的建议是不可能的,所以应该尝试多种不同的方法,然后做性能统计分析。