Entfernen nicht druckbarer Zeichen aus einem String in Python

Im Gegensatz zu Perl fehlen in Python POSIX-Regex-Klassen, was die Erkennung erschwert und entfernen Sie nicht druckbare Zeichen mithilfe regulärer Ausdrücke.

Wie können Sie dies in Python erreichen?

Eins Der Ansatz besteht darin, das Unicodedata-Modul zu nutzen. Die Funktion unicodedata.category klassifiziert Unicode-Zeichen in verschiedene Kategorien. Beispielsweise stellen Zeichen, die als Cc (Steuerzeichen) kategorisiert sind, nicht druckbare Zeichen dar.

Mit diesem Wissen können Sie eine benutzerdefinierte Zeichenklasse erstellen, die allen Steuerzeichen entspricht:

import unicodedata
import re
import sys

all_chars = (chr(i) for i in range(sys.maxunicode))
categories = {'Cc'}
control_chars = ''.join(c for c in all_chars if unicodedata.category(c) in categories)

control_char_re = re.compile('[%s]' % re.escape(control_chars))

def remove_control_chars(s):
    return control_char_re.sub('', s)

Diese Funktion entfernt effektiv alle nicht druckbaren ASCII-Zeichen aus der Eingabezeichenfolge.

Alternativ können Sie die in Python integrierte string.printable-Methode verwenden um nicht druckbare Zeichen herauszufiltern. Allerdings schließt diese Methode Unicode-Zeichen aus, sodass sie möglicherweise nicht für alle Anwendungsfälle geeignet ist.

Um Unicode-Zeichen zu verarbeiten, können Sie die Zeichenklasse im regulären Ausdruck wie folgt erweitern:

control_chars = ''.join(map(chr, itertools.chain(range(0x00,0x20), range(0x7f,0xa0))))

Diese erweiterte Zeichenklasse umfasst die grundlegenden Steuerzeichen sowie gängige nicht druckbare Unicode-Zeichen.

Durch entsprechende Änderung der Funktion „remove_control_chars“ können Sie erfolgreich damit umgehen sowohl ASCII- als auch Unicode-nicht druckbare Zeichen.