如何將unicode重音字符轉換為沒有重音的純ascii？

Question

我正在嘗試從像http://dictionary.reference.com/browse/apple?s=t這樣的詞典網站下載一些內容

我遇到的問題是原始段落有所有那些波浪線和反向字母等等，所以當我閱讀本地文件時，我最終得到了那些有趣的轉義字符，如 \\x85、\\xa7、\\x8d 等.

我的問題是，有什么方法可以將所有這些轉義字符轉換為它們各自的 UTF-8 字符，例如，如果有 'à'，我該如何將其轉換為標准的 'a' ？

Python調用代碼：

import os
word = 'apple'
os.system(r'wget.lnk --directory-prefix=G:/projects/words/dictionary/urls/ --output-document=G:\projects\words\dictionary\urls/' + word + '-dict.html http://dictionary.reference.com/browse/' + word)

我在 Windows 7 系統上使用 wget-1.11.4-1（不要殺死我 Linux 人，這是客戶端要求），並且 wget exe 正在使用 Python 2.6 腳本文件被觸發。

Answer 1

我如何將所有這些轉義字符轉換為它們各自的字符，例如如果有一個 unicode à ，我如何將其轉換為標准a ？

假設您已將 unicode 加載到名為my_unicode的變量中……將 à 規范化為 a 就是這么簡單……

import unicodedata
output = unicodedata.normalize('NFD', my_unicode).encode('ascii', 'ignore')

明確的例子...

>>> myfoo = u'àà'
>>> myfoo
u'\xe0\xe0'
>>> unicodedata.normalize('NFD', myfoo).encode('ascii', 'ignore')
'aa'
>>>

這個怎么運作
unicodedata.normalize('NFD', "insert-unicode-text-here")執行 unicode 文本的規范分解 (NFD) ； 然后我們使用str.encode('ascii', 'ignore')將 NFD 映射的字符轉換為 ascii（忽略錯誤）。

Answer 2

我需要這樣的東西，但只刪除重音字符，忽略特殊字符，我做了這個小功能：

# ~*~ coding: utf-8 ~*~
import re

def remove_accents(string):
    if type(string) is not unicode:
        string = unicode(string, encoding='utf-8')

    string = re.sub(u"[àáâãäå]", 'a', string)
    string = re.sub(u"[èéêë]", 'e', string)
    string = re.sub(u"[ìíîï]", 'i', string)
    string = re.sub(u"[òóôõö]", 'o', string)
    string = re.sub(u"[ùúûü]", 'u', string)
    string = re.sub(u"[ýÿ]", 'y', string)

    return string

我喜歡這個功能，因為你可以自定義它以防你需要忽略其他字符

Answer 3

給定的 URL 返回 UTF-8，因為 HTTP 響應清楚地表明：

wget -S http://dictionary.reference.com/browse/apple?s=t
--2013-01-02 08:43:40--  http://dictionary.reference.com/browse/apple?s=t
Resolving dictionary.reference.com (dictionary.reference.com)... 23.14.94.26, 23.14.94.11
Connecting to dictionary.reference.com (dictionary.reference.com)|23.14.94.26|:80... connected.
HTTP request sent, awaiting response... 
  HTTP/1.1 200 OK
  Server: Apache
  Cache-Control: private
  Content-Type: text/html;charset=UTF-8
  Date: Wed, 02 Jan 2013 07:43:40 GMT
  Transfer-Encoding:  chunked
  Connection: keep-alive
  Connection: Transfer-Encoding
  Set-Cookie: sid=UOPlLC7t-zl20-k7; Domain=reference.com; Expires=Wed, 02-Jan-2013 08:13:40 GMT; Path=/
  Set-Cookie: cu.wz=0; Domain=.reference.com; Expires=Thu, 02-Jan-2014 07:43:40 GMT; Path=/
  Set-Cookie: recsrch=apple; Domain=reference.com; Expires=Tue, 02-Apr-2013 07:43:40 GMT; Path=/
  Set-Cookie: dcc=*~*~*~*~*~*~*~*~; Domain=reference.com; Expires=Thu, 02-Jan-2014 07:43:40 GMT; Path=/
  Set-Cookie: iv_dic=1-0; Domain=reference.com; Expires=Thu, 03-Jan-2013 07:43:40 GMT; Path=/
  Set-Cookie: accepting=1; Domain=.reference.com; Expires=Thu, 02-Jan-2014 07:43:40 GMT; Path=/
  Set-Cookie: bid=UOPlLC7t-zlrHXne; Domain=reference.com; Expires=Fri, 02-Jan-2015 07:43:40 GMT; Path=/
Length: unspecified [text/html]

使用 vim 調查保存的文件還表明數據是正確的 utf-8 編碼……使用 Python 獲取 URL 也是如此。

Answer 4

感謝他，@Mike Pennington 的解決方案非常有效。 但是當我嘗試該解決方案時，我注意到它使一些未在 NFD 定義的特殊字符（即土耳其字母表中的 ı 字符）失敗。

我發現了另一種解決方案，您可以使用 unidecode 庫進行此轉換。

>>>import unidecode
>>>example = "ABCÇDEFGĞHIİJKLMNOÖPRSŞTUÜVYZabcçdefgğhıijklmnoöprsştuüvyz"


#convert it to utf-8
>>>utf8text = unicode(example, "utf-8")

>>> print utf8text
ABCÇDEFGĞHIİJKLMNOÖPRSŞTUÜVYZabcçdefgğhıijklmnoöprsştuüvyz

#convert utf-8 to ascii text
asciitext = unidecode.unidecode(utf8text)

>>>print asciitext

ABCCDEFGGHIIJKLMNOOPRSSTUUVYZabccdefgghiijklmnooprsstuuvyz

Answer 5

這個問題對我來說是不同的，但是這個堆棧頁面可以解決它unicodedata.normalize('NFKC', 'Ｖ').encode('ascii', 'ignore') output - b'V'