У меня есть строка юникода с акцентированными латинскими символами, например.
n=unicode('Wikipédia, le projet d’encyclopédie','utf-8')
Я хочу преобразовать его в обычный ascii, т.е. "Википедия, le projet dencyclopedie", поэтому все острые/акцент, cedilla и т.д. должны быть удалены.
Каков самый быстрый способ сделать это, поскольку это необходимо сделать для сопоставления выпадающего списка длинной автозаполнения
Вывод: Поскольку одним из моих критериев является скорость, Lennart 'регистрирует собственный обработчик ошибок для кодирования/декодирования Unicode' дает лучший результат (см. Ответ Alex), разность скоростей увеличивается, поскольку все больше и больше символов латинские.
Вот таблица перевода, которую я использую, также модифицированный обработчик ошибок, так как ему нужно позаботиться обо всем диапазоне некодированных char от error.start до error.end
# -*- 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')
Почему я возвращаю error.start + 1
:
возвращаемый объект ошибки может быть несколькими символами, и мы конвертируем только первый из них, например. если я добавлю print error.start, error.end
в вывод обработчика ошибок,
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 '
поэтому во второй строке мы получаем символы из 2-10, но мы конвертируем только 2-й, а затем возвращаем 3 в качестве точки продолжения, если мы возвращаем вывод error.end
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 '
Как мы видим, 2-10 часть была заменена одним char. вне курса, было бы быстрее просто кодировать весь диапазон за один раз и возвращать error.end, но для демонстрационной цели я сохранил это просто.
см. http://docs.python.org/library/codecs.html#codecs.register_error для более подробной информации