![](/img/trans.png)
[英]Python - Convert utf8 special characters (accented) to extended ascii equivalent
[英]Replace special characters with ASCII equivalent
是否有任何可以将特殊字符替换为 ASCII 等效项的库,例如:
"Cześć"
到:
"Czesc"
我当然可以创建地图:
{'ś':'s', 'ć': 'c'}
并使用一些替换功能。 但是我不想将所有等价物硬编码到我的程序中,如果有一些函数已经这样做了。
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import unicodedata
text = u'Cześć'
print unicodedata.normalize('NFD', text).encode('ascii', 'ignore')
您可以通过以下方式获得大部分方法:
import unicodedata
def strip_accents(text):
return ''.join(c for c in unicodedata.normalize('NFKD', text) if unicodedata.category(c) != 'Mn')
不幸的是,存在无法分解为 ASCII 字母 + 组合标记的重音拉丁字母。 您必须手动处理它们。 这些包括:
包unidecode最适合我:
from unidecode import unidecode
text = "Björn, Łukasz and Σωκράτης."
print(unidecode(text))
# ==> Bjorn, Lukasz and Sokrates.
您可能需要安装软件包:
pip install unidecode
如其他答案所建议的那样,上述解决方案比编码(和解码) unicodedata.normalize()
的输出更容易、更可靠。
# This doesn't work as expected:
ret = unicodedata.normalize('NFKD', text).encode('ascii', 'ignore')
print(ret)
# ==> b'Bjorn, ukasz and .'
# Besides not supporting all characters, the returned value is a
# bytes object in python3. To yield a str type:
ret = ret.decode("utf8") # (not required in python2)
我是这样做的:
POLISH_CHARACTERS = {
50309:'a',50311:'c',50329:'e',50562:'l',50564:'n',50099:'o',50587:'s',50618:'z',50620:'z',
50308:'A',50310:'C',50328:'E',50561:'L',50563:'N',50067:'O',50586:'S',50617:'Z',50619:'Z',}
def encodePL(text):
nrmtxt = unicodedata.normalize('NFC',text)
i = 0
ret_str = []
while i < len(nrmtxt):
if ord(text[i])>128: # non ASCII character
fbyte = ord(text[i])
sbyte = ord(text[i+1])
lkey = (fbyte << 8) + sbyte
ret_str.append(POLISH_CHARACTERS.get(lkey))
i = i+1
else: # pure ASCII character
ret_str.append(text[i])
i = i+1
return ''.join(ret_str)
执行时:
encodePL(u'ąćęłńóśźż ĄĆĘŁŃÓŚŹŻ')
它将产生如下输出:
u'acelnoszz ACELNOSZZ'
这对我来说很好用 - ;D
试试trans包。 看起来很有前途。 支持波兰语。
unicodedata.normalize 噱头最好用半assci 来描述。 这是一个强大的方法,其中包括一个没有分解的字母映射。 请注意注释中的附加地图条目。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.