latin-1 到 ascii

Question

我有一个带有重音拉丁字符的 unicode 字符串，例如

n=unicode('Wikipédia, le projet d’encyclopédie','utf-8')

我想将其转换为纯 ascii，即“Wikipedia, le projet dencyclopedie”，因此应删除所有尖锐/口音、cedilla 等

最快的方法是什么，因为它需要匹配一个长的自动完成下拉列表

结论： 由于我的标准之一是速度，Lennart 的“为 unicode 编码/解码注册您自己的错误处理程序”提供了最佳结果（请参阅 Alex 的回答），随着越来越多的字符是拉丁文，速度差异进一步增加。

这是我正在使用的转换表，还修改了错误处理程序，因为它需要处理从 error.start 到 error.end 的整个未编码字符范围

# -*- coding: utf-8 -*-
import codecs

"""
This is more of visual translation also avoiding multiple char translation
e.g. £ may be written as {pound}
"""
latin_dict = {
u"¡": u"!", u"¢": u"c", u"£": u"L", u"¤": u"o", u"¥": u"Y",
u"¦": u"|", u"§": u"S", u"¨": u"`", u"©": u"c", u"ª": u"a",
u"«": u"<<", u"¬": u"-", u"­": u"-", u"®": u"R", u"¯": u"-",
u"°": u"o", u"±": u"+-", u"²": u"2", u"³": u"3", u"´": u"'",
u"µ": u"u", u"¶": u"P", u"·": u".", u"¸": u",", u"¹": u"1",
u"º": u"o", u"»": u">>", u"¼": u"1/4", u"½": u"1/2", u"¾": u"3/4",
u"¿": u"?", u"À": u"A", u"Á": u"A", u"Â": u"A", u"Ã": u"A",
u"Ä": u"A", u"Å": u"A", u"Æ": u"Ae", u"Ç": u"C", u"È": u"E",
u"É": u"E", u"Ê": u"E", u"Ë": u"E", u"Ì": u"I", u"Í": u"I",
u"Î": u"I", u"Ï": u"I", u"Ð": u"D", u"Ñ": u"N", u"Ò": u"O",
u"Ó": u"O", u"Ô": u"O", u"Õ": u"O", u"Ö": u"O", u"×": u"*",
u"Ø": u"O", u"Ù": u"U", u"Ú": u"U", u"Û": u"U", u"Ü": u"U",
u"Ý": u"Y", u"Þ": u"p", u"ß": u"b", u"à": u"a", u"á": u"a",
u"â": u"a", u"ã": u"a", u"ä": u"a", u"å": u"a", u"æ": u"ae",
u"ç": u"c", u"è": u"e", u"é": u"e", u"ê": u"e", u"ë": u"e",
u"ì": u"i", u"í": u"i", u"î": u"i", u"ï": u"i", u"ð": u"d",
u"ñ": u"n", u"ò": u"o", u"ó": u"o", u"ô": u"o", u"õ": u"o",
u"ö": u"o", u"÷": u"/", u"ø": u"o", u"ù": u"u", u"ú": u"u",
u"û": u"u", u"ü": u"u", u"ý": u"y", u"þ": u"p", u"ÿ": u"y", 
u"’":u"'"}

def latin2ascii(error):
    """
    error is  protion of text from start to end, we just convert first
    hence return error.start+1 instead of error.end
    """
    return latin_dict[error.object[error.start]], error.start+1

codecs.register_error('latin2ascii', latin2ascii)

if __name__ == "__main__":
    x = u"¼ éíñ§ÐÌëÑ » ¼ ö ® © ’"
    print x
    print x.encode('ascii', 'latin2ascii')

我为什么返回error.start + 1：

返回的错误对象可以是多个字符，我们只转换其中的第一个，例如如果我将print error.start, error.end 添加到错误处理程序输出是

¼ éíñ§ÐÌëÑ » ¼ ö ® © ’
0 1
2 10
3 10
4 10
5 10
6 10
7 10
8 10
9 10
11 12
13 14
15 16
17 18
19 20
21 22
1/4 einSDIeN >> 1/4 o R c '

所以在第二行我们得到 2-10 的字符，但我们只转换第二个因此返回 3 作为继续点，如果我们返回 error.end 输出是

¼ éíñ§ÐÌëÑ » ¼ ö ® © ’
0 1
2 10
11 12
13 14
15 16
17 18
19 20
21 22
1/4 e >> 1/4 o R c '

我们可以看到 2-10 部分已被单个字符替换。当然，一次性编码整个范围并返回 error.end 会更快，但出于演示目的，我保持简单。

查看http://docs.python.org/library/codecs.html#codecs.register_error了解更多详情

Answer 1

所以这里有三种方法，或多或少在其他答案中给出或建议：

# -*- coding: utf-8 -*-
import codecs
import unicodedata

x = u"Wikipédia, le projet d’encyclopédie"

xtd = {ord(u'’'): u"'", ord(u'é'): u'e', }

def asciify(error):
    return xtd[ord(error.object[error.start])], error.end

codecs.register_error('asciify', asciify)

def ae():
  return x.encode('ascii', 'asciify')

def ud():
  return unicodedata.normalize('NFKD', x).encode('ASCII', 'ignore')

def tr():
  return x.translate(xtd)

if __name__ == '__main__':
  print 'or:', x
  print 'ae:', ae()
  print 'ud:', ud()
  print 'tr:', tr()

作为 main 运行，这会发出：

or: Wikipédia, le projet d’encyclopédie
ae: Wikipedia, le projet d'encyclopedie
ud: Wikipedia, le projet dencyclopedie
tr: Wikipedia, le projet d'encyclopedie

清楚地表明，基于 unicodedata 的方法虽然确实具有不需要翻译映射 xtd 的便利性，但不能以自动方式正确翻译所有字符（它适用于重音字母，但不适用于反向-撇号），因此它还需要一些辅助步骤来明确处理这些（毫无疑问，在它现在的主体之前）。

性能也很有趣。在我的装有 Mac OS X 10.5 和系统 Python 2.5 的笔记本电脑上，非常可重复：

$ python -mtimeit -s'import a' 'a.ae()'
100000 loops, best of 3: 7.5 usec per loop
$ python -mtimeit -s'import a' 'a.ud()'
100000 loops, best of 3: 3.66 usec per loop
$ python -mtimeit -s'import a' 'a.tr()'
10000 loops, best of 3: 21.4 usec per loop

translate 出奇地慢（相对于其他方法）。我认为问题在于，对于 translate 案例中的每个字符（并且大多数不存在），都会对字典进行调查，但仅针对 asciify 方法中存在的少数字符。

所以为了完整起见，这里是“加强的 unicodedata”方法：

specstd = {ord(u'’'): u"'", }
def specials(error):
  return specstd.get(ord(error.object[error.start]), u''), error.end
codecs.register_error('specials', specials)

def bu():
  return unicodedata.normalize('NFKD', x).encode('ASCII', 'specials')

这给出了正确的输出，但是：

$ python -mtimeit -s'import a' 'a.bu()'
100000 loops, best of 3: 10.7 usec per loop

...速度不再那么好。因此，如果速度很重要，毫无疑问，制作完整的xtd 翻译字典并使用asciify 方法是值得的。当每次翻译多出几微秒没什么大不了的时候，人们可能只想考虑bu 方法，只是为了方便（只需要一个翻译字典，希望很少，特殊字符不能用底层的 unicodedata 思想正确翻译)。

Answer 2

了不起的unidecode 模块为您完成了这项工作：

>>> import unidecode
>>> n = unicode('Wikipédia, le projet d’encyclopédie','utf-8')
>>> unidecode.unidecode(n)
"Wikipedia, le projet d'encyclopedie"

Answer 3

“正确”的做法是为 unicode 编码/解码注册您自己的错误处理程序，并在该错误处理程序中提供从 è 到 e 和 ö 到 o 等的替换。

像这样：

# -*- coding: UTF-8 -*-
import codecs

map = {u'é': u'e',
       u'’': u"'",
       # ETC
       }

def asciify(error):
    return map[error.object[error.start]], error.end

codecs.register_error('asciify', asciify)

test = u'Wikipédia, le projet d’encyclopédie'
print test.encode('ascii', 'asciify')

您还可以在 IBM 的 ICU 库中找到一些东西，它是 Python 绑定 PyICU，不过，它的工作量可能会更少。

Answer 4

Maketrans（并翻译）然后转换为 ascii：

intab = u'áéí'  # extend as needed
outtab = u'aei' # as well as this one
table = maketrans(intab, outtab)

text = translate(u"Wikipédia, le projet d’encyclopédie", table)

try:
    temp = unicode(text, "utf-8")
    fixed = unicodedata.normalize('NFKD', temp).encode('ASCII', action)
    return fixed
except Exception, errorInfo:
    print errorInfo
    print "Unable to convert the Unicode characters to xml character entities"
    raise errorInfo

（来自here）

Answer 5

如果不进行测量，我希望 Unicode 字符串的 .translate 方法是最快的解决方案。不过，您绝对应该自己测量。

Answer 6

包unihandecode是

Unicode 文本的 US-ASCII 音译。
Python unidecode 的改进版本，即 Sean M. Burke 的 Text::Unidecode Perl 模块的 Python 端口。

pip install Unihandecode

然后在python

import unihandecode
print(unihandecode.unidecode(u'Wikipédia, le projet d’encyclopédie'))

打印Wikipedia, le projet d'encyclopedie。