Remoção seletiva de caracteres não ASCII

Trabalhar com dados textuais geralmente envolve a necessidade de remover caracteres não ASCII, preservando certos símbolos como espaços e períodos. Embora os métodos básicos de filtragem possam remover todos os caracteres não-ASCII, isso pode não ser desejável em alguns casos.

Vamos considerar o seguinte código:

def onlyascii(char):
    if ord(char)  127: return ''
    else: return char

Este código remove todos os caracteres com valores ASCII menores que 48 ou maiores que 127, eliminando efetivamente o texto de caracteres não ASCII. No entanto, ele também remove espaços (ASCII 32) e pontos (ASCII 46).

Para remover seletivamente caracteres não-ASCII enquanto preserva espaços e pontos, podemos aproveitar o módulo string.printable do Python:

import string
printable = set(string.printable)
filtered_data = filter(lambda x: x in printable, data)

O conjunto string.printable contém todos os caracteres imprimíveis no sistema, incluindo dígitos, letras, símbolos, espaços e pontos. Usando este conjunto como filtro, podemos remover todos os caracteres não imprimíveis da string.

Por exemplo, se tivermos a string "some\x00string. with\x15 caracteres engraçados":

s = "some\x00string. with\x15 funny characters"
''.join(filter(lambda x: x in printable, s))

O resultado será:

'somestring. with funny characters'

Este método remove efetivamente caracteres não ASCII enquanto preserva espaços e pontos, fornecendo uma string limpa para processamento posterior.