如何将 unicode 重音字符转换为没有重音的纯 ascii？

Question

我正在尝试从 http://dictionary.reference.com/browse/apple?s=t 等字典网站下载一些内容

我遇到的问题是原始段落有所有那些波浪线和反向字母等，所以当我阅读本地文件时，我最终会得到那些有趣的转义字符，如 \x85、\xa7、\ x8d等

我的问题是，有什么办法可以将所有这些转义字符转换为它们各自的 UTF-8 字符，例如，如果有一个 'à' 我如何将它转换成一个标准的 'a' ？

Python调用代码：

import os
word = 'apple'
os.system(r'wget.lnk --directory-prefix=G:/projects/words/dictionary/urls/ --output-document=G:\projects\words\dictionary\urls/' + word + '-dict.html http://dictionary.reference.com/browse/' + word)

我在 Windows 7 系统上使用 wget-1.11.4-1（不要杀死我的 Linux 人，这是客户端要求），并且 wget exe 正在使用 Python 2.6 脚本文件启动。

Answer 1

我如何将所有这些转义字符转换为它们各自的字符，例如如果有 unicode à，我如何将其转换为标准 a？

假设您已将 unicode 加载到名为 my_unicode 的变量中...将 à 规范化为 a 就是这么简单...

import unicodedata
output = unicodedata.normalize('NFD', my_unicode).encode('ascii', 'ignore')

显式示例...

>>> myfoo = u'àà'
>>> myfoo
u'\xe0\xe0'
>>> unicodedata.normalize('NFD', myfoo).encode('ascii', 'ignore')
'aa'
>>>

工作原理
unicodedata.normalize('NFD', "insert-unicode-text-here") 执行 unicode 文本的 Canonical Decomposition (NFD)；然后我们使用str.encode('ascii', 'ignore') 将 NFD 映射的字符转换为 ascii（忽略错误）。

Answer 2

我需要这样的东西，但要只删除重音字符，忽略特殊字符，我做了这个小功能：

# ~*~ coding: utf-8 ~*~
import re

def remove_accents(string):
    if type(string) is not unicode:
        string = unicode(string, encoding='utf-8')

    string = re.sub(u"[àáâãäå]", 'a', string)
    string = re.sub(u"[èéêë]", 'e', string)
    string = re.sub(u"[ìíîï]", 'i', string)
    string = re.sub(u"[òóôõö]", 'o', string)
    string = re.sub(u"[ùúûü]", 'u', string)
    string = re.sub(u"[ýÿ]", 'y', string)

    return string

我喜欢这个功能，因为你可以自定义它以防你需要忽略其他字符

Answer 3

@Mike Pennington 的解决方案非常感谢他。但是当我尝试该解决方案时，我注意到它没有在 NFD 中定义的一些特殊字符（即土耳其字母表中的 ı 字符）失败。

我发现了另一种解决方案，您可以使用 unidecode 库进行此转换。

>>>import unidecode
>>>example = "ABCÇDEFGĞHIİJKLMNOÖPRSŞTUÜVYZabcçdefgğhıijklmnoöprsştuüvyz"


#convert it to utf-8
>>>utf8text = unicode(example, "utf-8")

>>> print utf8text
ABCÇDEFGĞHIİJKLMNOÖPRSŞTUÜVYZabcçdefgğhıijklmnoöprsştuüvyz

#convert utf-8 to ascii text
asciitext = unidecode.unidecode(utf8text)

>>>print asciitext

ABCCDEFGGHIIJKLMNOOPRSSTUUVYZabccdefgghiijklmnooprsstuuvyz

Answer 4

给定的 URL 返回 UTF-8，因为 HTTP 响应清楚地表明：

wget -S http://dictionary.reference.com/browse/apple?s=t
--2013-01-02 08:43:40--  http://dictionary.reference.com/browse/apple?s=t
Resolving dictionary.reference.com (dictionary.reference.com)... 23.14.94.26, 23.14.94.11
Connecting to dictionary.reference.com (dictionary.reference.com)|23.14.94.26|:80... connected.
HTTP request sent, awaiting response... 
  HTTP/1.1 200 OK
  Server: Apache
  Cache-Control: private
  Content-Type: text/html;charset=UTF-8
  Date: Wed, 02 Jan 2013 07:43:40 GMT
  Transfer-Encoding:  chunked
  Connection: keep-alive
  Connection: Transfer-Encoding
  Set-Cookie: sid=UOPlLC7t-zl20-k7; Domain=reference.com; Expires=Wed, 02-Jan-2013 08:13:40 GMT; Path=/
  Set-Cookie: cu.wz=0; Domain=.reference.com; Expires=Thu, 02-Jan-2014 07:43:40 GMT; Path=/
  Set-Cookie: recsrch=apple; Domain=reference.com; Expires=Tue, 02-Apr-2013 07:43:40 GMT; Path=/
  Set-Cookie: dcc=*~*~*~*~*~*~*~*~; Domain=reference.com; Expires=Thu, 02-Jan-2014 07:43:40 GMT; Path=/
  Set-Cookie: iv_dic=1-0; Domain=reference.com; Expires=Thu, 03-Jan-2013 07:43:40 GMT; Path=/
  Set-Cookie: accepting=1; Domain=.reference.com; Expires=Thu, 02-Jan-2014 07:43:40 GMT; Path=/
  Set-Cookie: bid=UOPlLC7t-zlrHXne; Domain=reference.com; Expires=Fri, 02-Jan-2015 07:43:40 GMT; Path=/
Length: unspecified [text/html]

使用 vim 调查保存的文件还发现数据是正确的 utf-8 编码...使用 Python 获取 URL 也是如此。

Answer 5

这个问题对我来说是不同的，但这个堆栈页面可以解决它unicodedata.normalize('NFKC', 'Ｖ').encode('ascii', 'ignore') 输出 - b'V'