在 Python unicode 字符串中删除重音（规范化）的最佳方法是什么？

Question

我在 Python 中有一个 Unicode 字符串，我想删除所有的重音符号（变音符号）。

我在网上找到了一种优雅的方法（在 Java 中）：

1. 将 Unicode 字符串转换为其长规范化形式（字母和变音符号使用单独的字符）
2. 删除所有 Unicode 类型为“变音符号”的字符。

我是否需要安装诸如 pyICU 之类的库，或者仅使用 Python 标准库就可以做到这一点？ 那么python 3呢？

重要提示：我想避免使用从重音字符到非重音字符的显式映射的代码。

Answer 1

Unidecode是这个问题的正确答案。 它将任何 unicode 字符串转译为 ascii 文本中最接近的可能表示形式。

例子：

accented_string = u'Málaga'
# accented_string is of type 'unicode'
import unidecode
unaccented_string = unidecode.unidecode(accented_string)
# unaccented_string contains 'Malaga'and is of type 'str'

Answer 2

["

import unicodedata
def strip_accents(s):
   return ''.join(c for c in unicodedata.normalize('NFD', s)
                  if unicodedata.category(c) != 'Mn')

Answer 3

我刚刚在网上找到了这个答案：

import unicodedata

def remove_accents(input_str):
    nfkd_form = unicodedata.normalize('NFKD', input_str)
    only_ascii = nfkd_form.encode('ASCII', 'ignore')
    return only_ascii

它工作得很好（例如法语），但我认为第二步（删除重音符号）比删除非 ASCII 字符处理得更好，因为这对于某些语言（例如希腊语）会失败。 最好的解决方案可能是明确删除标记为变音符号的 unicode 字符。

编辑：这可以解决问题：

import unicodedata

def remove_accents(input_str):
    nfkd_form = unicodedata.normalize('NFKD', input_str)
    return u"".join([c for c in nfkd_form if not unicodedata.combining(c)])

如果字符c可以与前面的字符组合，则unicodedata.combining(c)将返回 true，这主要是如果它是一个变音符号。

编辑 2 ： remove_accents需要一个unicode字符串，而不是字节字符串。 如果您有一个字节字符串，那么您必须将其解码为一个 unicode 字符串，如下所示：

encoding = "utf-8" # or iso-8859-15, or cp1252, or whatever encoding you use
byte_string = b"café"  # or simply "café" before python 3.
unicode_string = byte_string.decode(encoding)

Answer 4

实际上，我在项目兼容的 python 2.6、2.7 和 3.4 上工作，我必须从免费用户条目中创建 ID。

多亏了你，我创造了这个奇迹般的功能。

import re
import unicodedata

def strip_accents(text):
    """
    Strip accents from input String.

    :param text: The input string.
    :type text: String.

    :returns: The processed String.
    :rtype: String.
    """
    try:
        text = unicode(text, 'utf-8')
    except (TypeError, NameError): # unicode is a default on python 3 
        pass
    text = unicodedata.normalize('NFD', text)
    text = text.encode('ascii', 'ignore')
    text = text.decode("utf-8")
    return str(text)

def text_to_id(text):
    """
    Convert input text to id.

    :param text: The input string.
    :type text: String.

    :returns: The processed String.
    :rtype: String.
    """
    text = strip_accents(text.lower())
    text = re.sub('[ ]+', '_', text)
    text = re.sub('[^0-9a-zA-Z_-]', '', text)
    return text

结果：

text_to_id("Montréal, über, 12.89, Mère, Françoise, noël, 889")
>>> 'montreal_uber_1289_mere_francoise_noel_889'

Answer 5

这不仅可以处理重音，还可以处理“笔画”（如 ø 等）：

import unicodedata as ud

def rmdiacritics(char):
    '''
    Return the base character of char, by "removing" any
    diacritics like accents or curls and strokes and the like.
    '''
    desc = ud.name(char)
    cutoff = desc.find(' WITH ')
    if cutoff != -1:
        desc = desc[:cutoff]
        try:
            char = ud.lookup(desc)
        except KeyError:
            pass  # removing "WITH ..." produced an invalid name
    return char

这是我能想到的最优雅的方式（亚历克西斯在本页的评论中已经提到过），尽管我认为它确实不是很优雅。 事实上，正如评论中所指出的，这更像是一种 hack，因为 Unicode 名称 - 实际上只是名称，它们不能保证是一致的或任何东西。

还有一些特殊的字母没有被这个处理，例如翻转和倒置的字母，因为它们的 unicode 名称不包含“WITH”。 这取决于你想做什么。 我有时需要去除重音来实现字典排序顺序。

编辑注：

合并了评论中的建议（处理查找错误、Python-3 代码）。

Answer 6

在我看来，建议的解决方案不应被接受。 最初的问题是要求去除口音，所以正确的答案应该只这样做，而不是加上其他未指定的更改。

只需观察此代码的结果，即可接受的答案。 我将“Málaga”更改为“Málagueña”：

accented_string = u'Málagueña'
# accented_string is of type 'unicode'
import unidecode
unaccented_string = unidecode.unidecode(accented_string)
# unaccented_string contains 'Malaguena'and is of type 'str'

还有一个额外的更改 (ñ -> n)，在 OQ 中没有要求。

执行请求任务的简单函数，格式如下：

def f_remove_accents(old):
    """
    Removes common accent characters, lower form.
    Uses: regex.
    """
    new = old.lower()
    new = re.sub(r'[àáâãäå]', 'a', new)
    new = re.sub(r'[èéêë]', 'e', new)
    new = re.sub(r'[ìíîï]', 'i', new)
    new = re.sub(r'[òóôõö]', 'o', new)
    new = re.sub(r'[ùúûü]', 'u', new)
    return new

Answer 7

回应@MiniQuark 的回答：

我试图读取一个半法语（包含重音）的csv文件以及一些最终会变成整数和浮点数的字符串。 作为测试，我创建了一个如下所示的test.txt文件：

蒙特利尔, über, 12.89, Mère, Françoise, noël, 889

我必须包含第2行和3行才能使其正常工作（我在 python 票证中找到了），并合并了 @Jabba 的评论：

import sys 
reload(sys) 
sys.setdefaultencoding("utf-8")
import csv
import unicodedata

def remove_accents(input_str):
    nkfd_form = unicodedata.normalize('NFKD', unicode(input_str))
    return u"".join([c for c in nkfd_form if not unicodedata.combining(c)])

with open('test.txt') as f:
    read = csv.reader(f)
    for row in read:
        for element in row:
            print remove_accents(element)

结果：

Montreal
uber
12.89
Mere
Francoise
noel
889

（注意：我在 Mac OS X 10.8.4 上使用 Python 2.7.3）

Answer 8

来自 Gensim 的gensim.utils.deaccent(text) - 人类主题建模：

'Sef chomutovskych komunistu dostal postou bily prasek'

另一种解决方案是unidecode 。

请注意，建议的unicodedata解决方案通常仅删除某些字符中的重音（例如，它将'ł'变成'' ，而不是变成'l' ）。

Answer 9

import unicodedata
from random import choice

import perfplot
import regex
import text_unidecode


def remove_accent_chars_regex(x: str):
    return regex.sub(r'\p{Mn}', '', unicodedata.normalize('NFKD', x))


def remove_accent_chars_join(x: str):
    # answer by MiniQuark
    # https://stackoverflow.com/a/517974/7966259
    return u"".join([c for c in unicodedata.normalize('NFKD', x) if not unicodedata.combining(c)])


perfplot.show(
    setup=lambda n: ''.join([choice('Málaga François Phút Hơn 中文') for i in range(n)]),
    kernels=[
        remove_accent_chars_regex,
        remove_accent_chars_join,
        text_unidecode.unidecode,
    ],
    labels=['regex', 'join', 'unidecode'],
    n_range=[2 ** k for k in range(22)],
    equality_check=None, relative_to=0, xlabel='str len'
)

Answer 10

一些语言结合了变音符号作为语言字母和重音变音符号来指定重音。

我认为明确指定要删除的变音符号更安全：

def strip_accents(string, accents=('COMBINING ACUTE ACCENT', 'COMBINING GRAVE ACCENT', 'COMBINING TILDE')):
    accents = set(map(unicodedata.lookup, accents))
    chars = [c for c in unicodedata.normalize('NFD', string) if c not in accents]
    return unicodedata.normalize('NFC', ''.join(chars))

Answer 11

如果您希望获得类似于 Elasticsearch 的asciifolding过滤器的功能，您可能需要考虑fold-to-ascii ，它是 [本身]...

Apache Lucene ASCII 折叠过滤器的 Python 端口，它将不在前 127 个 ASCII 字符（“基本拉丁语”Unicode 块）中的字母、数字和符号 Unicode 字符（如果存在）转换为 ASCII 等效字符。

这是上述页面中的一个示例：

from fold_to_ascii import fold
s = u'Astroturf® paté'
fold(s)
> u'Astroturf pate'
fold(s, u'?')
> u'Astroturf? pate'

编辑： fold_to_ascii模块似乎适用于标准化拉丁字母； 但是无法映射的字符被删除了，这意味着该模块将减少中文文本，例如，为空字符串。 如果您想保留中文、日文和其他 Unicode 字母，请考虑使用上面的 @mo-han 的remove_accent_chars_regex实现。

Answer 12

这是一个去除变音符号但保留非拉丁字符的简短函数。 大多数情况（例如"à" -> "a" ）由unicodedata （标准库）处理，但有几个（例如"æ" -> "ae" ）依赖于给定的并行字符串。

代码

from unicodedata import combining, normalize

LATIN = "ä  æ  ǽ  đ ð ƒ ħ ı ł ø ǿ ö  œ  ß  ŧ ü "
ASCII = "ae ae ae d d f h i l o o oe oe ss t ue"

def remove_diacritics(s, outliers=str.maketrans(dict(zip(LATIN.split(), ASCII.split())))):
    return "".join(c for c in normalize("NFD", s.lower().translate(outliers)) if not combining(c))

注意。 默认参数outliers被评估一次，并不意味着由调用者提供。

预期用途

作为以更“自然”的顺序对字符串列表进行排序的关键：

sorted(['cote', 'coteau', "crottez", 'crotté', 'côte', 'côté'], key=remove_diacritics)

输出：

['cote', 'côte', 'côté', 'coteau', 'crotté', 'crottez']

如果您的字符串混合了文本和数字，您可能会对使用我在其他地方提供的函数string_to_pairs()组合remove_diacritics()感兴趣。

测试

为确保行为满足您的需求，请查看以下pangrams ：

examples = [
    ("hello, world", "hello, world"),
    ("42", "42"),
    ("你好，世界", "你好，世界"),
    (
        "Dès Noël, où un zéphyr haï me vêt de glaçons würmiens, je dîne d’exquis rôtis de bœuf au kir, à l’aÿ d’âge mûr, &cætera.",
        "des noel, ou un zephyr hai me vet de glacons wuermiens, je dine d’exquis rotis de boeuf au kir, a l’ay d’age mur, &caetera.",
    ),
    (
        "Falsches Üben von Xylophonmusik quält jeden größeren Zwerg.",
        "falsches ueben von xylophonmusik quaelt jeden groesseren zwerg.",
    ),
    (
        "Љубазни фењерџија чађавог лица хоће да ми покаже штос.",
        "љубазни фењерџија чађавог лица хоће да ми покаже штос.",
    ),
    (
        "Ljubazni fenjerdžija čađavog lica hoće da mi pokaže štos.",
        "ljubazni fenjerdzija cadavog lica hoce da mi pokaze stos.",
    ),
    (
        "Quizdeltagerne spiste jordbær med fløde, mens cirkusklovnen Walther spillede på xylofon.",
        "quizdeltagerne spiste jordbaer med flode, mens cirkusklovnen walther spillede pa xylofon.",
    ),
    (
        "Kæmi ný öxi hér ykist þjófum nú bæði víl og ádrepa.",
        "kaemi ny oexi her ykist þjofum nu baedi vil og adrepa.",
    ),
    (
        "Glāžšķūņa rūķīši dzērumā čiepj Baha koncertflīģeļu vākus.",
        "glazskuna rukisi dzeruma ciepj baha koncertfligelu vakus.",
    )
]

for (given, expected) in examples:
    assert remove_diacritics(given) == expected

保案变体

LATIN = "ä  æ  ǽ  đ ð ƒ ħ ı ł ø ǿ ö  œ  ß  ŧ ü  Ä  Æ  Ǽ  Đ Ð Ƒ Ħ I Ł Ø Ǿ Ö  Œ  SS Ŧ Ü "
ASCII = "ae ae ae d d f h i l o o oe oe ss t ue AE AE AE D D F H I L O O OE OE SS T UE"

def remove_diacritics(s, outliers=str.maketrans(dict(zip(LATIN.split(), ASCII.split())))):
    return "".join(c for c in normalize("NFD", s.translate(outliers)) if not combining(c))

Answer 13

这里已经有很多答案了，但是之前没有考虑过这个：using sklearn

from sklearn.feature_extraction.text import strip_accents_ascii, strip_accents_unicode

accented_string = u'Málagueña®'

print(strip_accents_unicode(accented_string)) # output: Malaguena®
print(strip_accents_ascii(accented_string)) # output: Malaguena

如果您已经在使用 sklearn 处理文本，这将特别有用。 这些是CountVectorizer等类在内部调用的函数以规范化字符串：当使用strip_accents='ascii'时，调用strip_accents_ascii ，而当使用strip_accents='unicode'时，调用strip_accents_unicode 。

更多细节

最后，从其文档字符串中考虑这些细节：

Signature: strip_accents_ascii(s)
Transform accentuated unicode symbols into ascii or nothing

Warning: this solution is only suited for languages that have a direct
transliteration to ASCII symbols.

和

Signature: strip_accents_unicode(s)
Transform accentuated unicode symbols into their simple counterpart

Warning: the python-level loop and join operations make this
implementation 20 times slower than the strip_accents_ascii basic
normalization.

Answer 14

安装 unidecode 库后，您可以通过以下方式执行此操作：

import unidecode
normalize_text = unidecode.unidecode
x = 'ÁâúuùÚ'
normalized_x = normalize_text(x)
print(normalized_x)
# 'AaúuuU'

结果将是：'AaúuuU'，如最后一行所示。