Быстрый способ фильтрации незаконных символов xml unicode в python?

спецификация XML содержит список символов Unicode, которые либо незаконны, либо "обескуражены". Учитывая строку, как я могу удалить из нее все незаконные символы?

Я придумал следующее регулярное выражение, но это немного глоток.

illegal_xml_re = re.compile(u'[\x00-\x08\x0b-\x1f\x7f-\x84\x86-\x9f\ud800-\udfff\ufdd0-\ufddf\ufffe-\uffff]')
clean = illegal_xml_re.sub('', dirty)

(Python 2.5 не знает о символах Unicode выше 0xFFFF, поэтому нет необходимости их фильтровать.)

Ответ 1

Недавно мы (Trac XmlRpcPlugin сопровождающие) были уведомлены о том, что регулярное выражение над строками суррогатных пар на узких строках Python (см. th: комментарий: 13: билет: 11050). Альтернативный подход состоит в использовании следующего регулярного выражения (см. th: changeset: 13729).

_illegal_unichrs = [(0x00, 0x08), (0x0B, 0x0C), (0x0E, 0x1F), 
                        (0x7F, 0x84), (0x86, 0x9F), 
                        (0xFDD0, 0xFDDF), (0xFFFE, 0xFFFF)] 
if sys.maxunicode >= 0x10000:  # not narrow build 
        _illegal_unichrs.extend([(0x1FFFE, 0x1FFFF), (0x2FFFE, 0x2FFFF), 
                                 (0x3FFFE, 0x3FFFF), (0x4FFFE, 0x4FFFF), 
                                 (0x5FFFE, 0x5FFFF), (0x6FFFE, 0x6FFFF), 
                                 (0x7FFFE, 0x7FFFF), (0x8FFFE, 0x8FFFF), 
                                 (0x9FFFE, 0x9FFFF), (0xAFFFE, 0xAFFFF), 
                                 (0xBFFFE, 0xBFFFF), (0xCFFFE, 0xCFFFF), 
                                 (0xDFFFE, 0xDFFFF), (0xEFFFE, 0xEFFFF), 
                                 (0xFFFFE, 0xFFFFF), (0x10FFFE, 0x10FFFF)]) 

_illegal_ranges = ["%s-%s" % (unichr(low), unichr(high)) 
                   for (low, high) in _illegal_unichrs] 
_illegal_xml_chars_RE = re.compile(u'[%s]' % u''.join(_illegal_ranges))

p.s. Смотрите этот пост на суррогатах, объясняя, для чего они предназначены.

Обновить, чтобы не соответствовать (заменить) 0x0D, который является допустимым символом XML.

Ответ 2

Вы также можете использовать метод перевода unicode для удаления выбранных кодовых точек. Тем не менее, имеющееся у вас изображение довольно большое (2128 кодовых точек), и это может сделать его намного медленнее, чем просто использование регулярного выражения:

ranges = [(0, 8), (0xb, 0x1f), (0x7f, 0x84), (0x86, 0x9f), (0xd800, 0xdfff), (0xfdd0, 0xfddf), (0xfffe, 0xffff)]
# fromkeys creates  the wanted (codepoint -> None) mapping
nukemap = dict.fromkeys(r for start, end in ranges for r in range(start, end+1))
clean = dirty.translate(nukemap)