Python在CSV中删除非拉丁文字行

Question

我有一个csv文件，其中包含字符串形式的文本。 一些文本行例如是中文或俄语。

我想做的是使用Python计算文本行中unicode和ASCII字符的数量。 如果ASCII与Uni​​code字符的比率超过90％，我想保留该行，如果不从CSV中删除它。

这背后的想法是删除所有非拉丁语言，但保留例如德国的Umlauts，为此，我要使用具有比率的解决方案。

有没有人想解决这个任务？

非常感谢你！

这是我的csv数据的一些示例：

She wants to ride my BMW the go for a ride in my BMW lol http://t.co/FeoNg48AQZ
RT @YuaElena: Бабушка лаÑково говорит 5-летнему Тёмочке: - Смотри, Темик, вон едет "би-би". - Бог Ñ Ñ‚Ð¾Ð±Ð¾Ð¹, бабка, Ñто-ж BMW 335xi 4x4.

因此，您应该了解我的数据的样子。

Answer 1

拉丁语的范围以\ÿ ，因此您要做的就是使用正则表达式删除\Ā-\￿范围内的字符，然后将新行的长度与原始行进行比较。

也就是说，使用re.sub(r'[\Ā-\￿]', "?", line)保留该行并将所有不需要的字符替换为?可能更有用? 。

Answer 2

最好的选择是使用unicodedata模块。 该解决方案会占用大量资源，因为它将检查字符串中每个字符的Unicode名称。

import unicodedata
def compute_ratio(input_str):
    '''
    This function will return the ratio between the number of latin letter and other letters.
    '''
    num_latin = 0
    input_str = "".join(input_str.split()) # Remove whitespaces.
    for char in input_str:
        try:
            if unicodedata.name(unicode(char))[:5] == "LATIN":
                num_latin += 1
            #end if
        except UnicodeDecodeError:
            pass
        #end try
    #end for
    return (num_latin*1.0)/len(input_str)

这是输入数据的用法示例。 saved_Output是一个包含所有有效行的数组。

>>> lines = '''She wants to ride my BMW the go for a ride in my BMW lol http://t.co/FeoNg48AQZ
RT @YuaElena: Бабушка лаÑково говорит 5-летнему Тёмочке: - Смотри, Темик, вон едет "би-би". - Бог Ñ Ñ‚Ð¾Ð±Ð¾Ð¹, бабка, Ñто-ж BMW 335xi 4x4.'''
>>> saved_Output = []
>>> for line in lines.split('\n'):
        if compute_ratio(line) > 0.95:
            saved_Output.append(line)
        #end if
#end for

>>> "\n".join(saved_Output)
''
>>> compute_ratio('She wants to ride my BMW the go for a ride in my BMW lol http://t.co/FeoNg48AQZ')
0.890625
>>> # A ratio of 0.95 seems too high even for your first line.
>>> compute_ratio('this is a long string')
0.8095238095238095
>>> compute_ratio(u"c'est une longue cha\xeene")
0.8260869565217391