从字符串中删除每个非 utf-8 符号

Posted 2023-02-22

【中文标题】从字符串中删除每个非 utf-8 符号

【英文标题】：Delete every non utf-8 symbols from string

【发布时间】：2014-12-19 22:34:05

【问题描述】：

我有大量的文件和解析器。我要做的是剥离所有非 utf-8 符号并将数据放入 mongodb。 目前我有这样的代码。

with open(fname, "r") as fp:
    for line in fp:
        line = line.strip()
        line = line.decode('utf-8', 'ignore')
        line = line.encode('utf-8', 'ignore')

不知何故我仍然得到一个错误

bson.errors.InvalidStringData: strings in documents must be valid UTF-8: 
1/b62010montecassianomcir\xe2\x86\x90ta0\xe2\x86\x90008923304320733/290066010401040101506055soccorin

我不明白。有什么简单的方法吗？

UPD：似乎 Python 和 Mongo 不同意 Utf-8 有效字符串的定义。

【问题讨论】：

在我的头脑中，解析算法不是很重要，终点在前几行。也许我错了

【参考方案1】：

with open(fname, "r") as fp:
for line in fp:
    line = line.strip()
    line = line.decode('cp1252').encode('utf-8')

【讨论】：

如果原始输入编码实际上不是代码页 1252，这将是非常错误的。您删除了错误，但产生了垃圾。该错误是有原因的，以防止您产生垃圾。

【参考方案2】：

对于 python 3，正如该线程的评论中所述，您可以这样做：

line = bytes(line, 'utf-8').decode('utf-8', 'ignore')

'ignore' 参数可防止在任何字符无法解码时引发错误。

如果您的行已经是字节对象（例如b'my string'），那么您只需要使用decode('utf-8', 'ignore') 对其进行解码。

【讨论】：

但是如果line在py3中已经是`str`，是否允许非utf8？

【参考方案3】：

不处理 utf-8 字符的示例

import string

test=u"\n\n\n\n\n\n\n\n\n\n\n\n\n\nHi <<First Name>>\nthis is filler text \xa325 more filler.\nadditilnal filler.\n\nyet more\xa0still more\xa0filler.\n\n\xa0\n\n\n\n\nmore\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\nfiller.\x03\n\t\t\t\t\t\t    almost there \n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\nthe end\n\n\n\n\n\n\n\n\n\n\n\n\n"

print ''.join(x for x in test if x in string.printable)

【讨论】：

这会删除所有非 ascii 字符，其中包括许多有效的 UTF-8 字符

【参考方案4】：

试试下面的代码行而不是最后两行。希望对您有所帮助：

line=line.decode('utf-8','ignore').encode("utf-8")

【讨论】：

我有一些只在插入后才出现的不可见字符。有什么解决办法吗？

@user168983 你能举个例子吗

this line.decode('utf-8','ignore').encode("utf-8") 产生此错误 AttributeError: 'str' object has no attribute 'decode'，我使用 python3

@ChediBechikh 这是你在 python3 中的做法bytes(line, 'utf-8').decode('utf-8','ignore')

这似乎不起作用。我得到了很多特殊字符：\00\00\00\00\00