python替换UTF-8编码文本中任意特殊字符,包括中文符号问题:大量文本,将其中的特殊字符用空
python替换UTF-8编码文本中任意特殊字符,包括中文符号问题:大量文本,将其中的特殊字符用空
python替换UTF-8编码文本中任意特殊字符,包括中文符号
问题:
大量文本,将其中的特殊字符用空格替换,特殊字符如:◆★,日期[1990-11-23]等。
这些文本有如下特点:
1.文件名以中文命名
2.经测试,文件编码为UTF-8
先看程序:
# -*- coding: utf-8 -*- import re import chardet import os def dowork(dirname): txt_filenames = os.listdir(dirname) #需要替换的字符正则表达式:◆★[1990-2-30],这是核心 pat = r"(\xe2\x98\x85|\xe2\x97\x86)|(\[\d+-\d+-\d+\])" repat = re.compile(pat) i = 0 for filename in txt_filenames: #选出正确的文件类型 if filename.find('.txt') == -1: continue #判断文件本身的类型是不是UTF-8 f = open(filename, 'r') print 'open ' + filename line = f.readline() enc = chardet.detect(line) #保存文件类型 fileencode = enc['encoding'] print enc f.close() #wname是新文件的名称 wname = './src/' + filename.split('.')[0] + str(2) + '.txt' f = open(wname, 'w') print 'the file of writing is ', wname #开始将替换后的字符串写入文件 for line in open(filename, 'r'): #用空格替换特殊字符 wline = repat.sub(' ', line) f.write(wline) f.close() if __name__ == '__main__': dirname = r'C:\\Users\\hw\\Desktop\\qiaofangjie\\TraditionalCorpus' dowork(dirname)
在实际解决问题中,遇到了几个难点:
1.关于任意字符,如何利用正则表达式替换
2.python的文件编码,搞得我头晕了,现在也不算很明白
收获有以下几点:
1.python源文件默认编码为ascii码,如果里面有中文,在文件头加# -*- coding: utf-8 -*-,就可以写中文了
2.关于替换:
英文字符找相应的正则表达式即可;中文字符是难点,可以将中文字符的utf-8编码写到模式匹配中,配合正则表达式即可使用。中文字符的utf-8编码可以用repr表达式输出
3.文件由于比较大,用readlines读取文件较慢,采用文件迭代器读文件,应该是一次读一行的(还不是很清楚,以后再试试)
4.在自己测试的小例子中,filename="中文文件.txt",直接读会出错,转为unicode编码就可以了,即filename=u"中文文件.txt"
5.用chardet模块,可以判定文件的编码方式。只是我这里没有用到,只是看了一下编码是不是utf-8的
6.关于encode与decode,utf-8可以通过decode转为unicode,如strutf-8.decode('utf-8')返回unicode对象;unicode通过encode编码为具体的格式如utf-8,gbk等,如
strunicode.encode('utf-8')
先写这么多,加班很苦逼
python替换UTF-8编码文本中任意特殊字符,包括中文符号问题:大量文本,将其中的特殊字符用空相关推荐
- Python matplotlib可视化:在Matplotlib中为坐标轴刻度添加自定义符号(例如,货币符号¥$等)、水平条形图(horizontal bar)
Python matplotlib可视化:在Matplotlib中为坐标轴刻度添加自定义符号(例如,货币符号¥$等).水平条形图(horizontal bar) 目录
- Python+Matplotlib+MiKTex设置标签字符串中任意字符格式
推荐图书: <Python程序设计(第3版)>,(ISBN:978-7-302-55083-9),董付国,清华大学出版社,2020年6月第1次印刷,2021年12月第11次印刷,山东省一流 ...
- 第k大的数python代码_Python实现查找数组中任意第k大的数字算法示例
本文实例讲述了Python实现查找数组中任意第k大的数字算法.分享给大家供大家参考,具体如下: 模仿partion方法,当high=low小于k的时候,在后半部分搜索,当high=low大于k的时候, ...
- js中加密解密时中文符号乱码
原先加密解密定义方法请看:JavaScript自定义实现字符串加密和解密 上面的方法会导致后台给前端返回名称类的字符串中带中文符号时,页面渲染的会有乱码的情况存在,如何解决这一问题呢,发现利用以下几种 ...
- Excel删除文本中任意位置所有空格的3种方法比较
今天小编要分享的是删除文本任意位置的空格的3种方法,如下图文本的左中右都有空格 一. 1.为了对比先复制一列出来 2.然后呢直接按Ctrl+H打开替换对话框 3.再然后我们输入查找内容空格,然后全 ...
- python OpenCV 按时间间隔截取视频中任意片段帧
通过视频制作相应的数据集,截取视频中的任意片段帧. 使用python截取视频中的任意片段帧,直接上代码: import cv2 import os# 定义视频文件路径和保存图像文件路径 video_p ...
- python替换字符的操作_Python中的字符串替换操作示例
字符串的替换(interpolation), 可以使用string.Template, 也可以使用标准字符串的拼接. string.Template标示替换的字符, 使用"$"符号 ...
- python实体关系抽取_【关系抽取】从文本中进行关系抽取的几种不同的方法
关系提取是指从文本中提取语义关系,这种语义关系通常发生在两个或多个实体之间.这些关系可以是不同类型的." Paris is in France "表示巴黎与法国之间的" ...
- python统计英文单词个数_python统计英文文本中的回文单词数
1. 要求: 给定一篇纯英文的文本,统计其中回文单词的比列,并输出其中的回文单词,文本数据如下:PW3爱图古源码汇 This is Everyday Grammar. I am Madam Lucij ...
最新文章
- RabbitMQ(二):RabbitMQ高级特性
- python flask 路由_python框架之Flask(2)-路由和视图Session
- hexo的yelee主题使用katex引擎(markdown渲染加速)
- 实验:sigsuspend(),sigprocmask()
- Linux解决 -bash: nc: command not found问题
- Slob分配器的数据结构和分配逻辑
- 自己写的免费的音乐播放器:可以播放txt格式的音乐
- Hudson poll scm 时间格式说明
- 浏览器pdf朗读插件
- android.media.MediaCodec$CodecException: Error 0xfffffc0e
- 总结:K8S之pod配置
- 想要快速、免费的翻译外文PDF文档?Get翻译神器
- 拼多多直播带货,中小主播及商家的新机会
- VR眼镜连接android设备,如何将VR眼镜的屏幕投影到计算机或电视上?
- 代码随想录Day04 | LeetCode24. 两两交换链表中的节点、LeetCode19. 删除链表的倒数第N个节点、LeetCode160. 链表相交、LeetCode142. 环形链表Ⅱ
- 如何在OC类里 调用swift类
- php微信退款 v3版,微信支付-JSAPI支付V3-查询退款
- 最坏也是最好的时代|与陆奇,阿里VP,英伟达VP等重磅嘉宾相约道创峰会
- 华硕新款 ROG 幻 16 星空版 评测怎么样
- 等保2.0体系互联网合规实践白皮书​ 附下载
热门文章
- URAL 1664 Pipeline Transportation
- HTTP,FTP,SMTP错误码
- 网络工程师英语系列2(CISCO IP Telephony)
- html横向导入word
- Android移植之自定义ProgressBar
- SQL-24 获取所有非manager员工当前的薪水情况,给出dept_no、emp_no以及salary ,当前表示to_date='9999-01-01'...
- 架构师必读!以图文的方式解锁 HTTPS原理,10分钟还原HTTPS真像!
- 转 db_file_multiblock_read_count
- 深入理解控制反转(IoC)和依赖注入(DI)
- ubuntu下JNI之HelloWorld相互传String值