从字符串中删除十六进制表示 - Python答案

【问题标题】：Remove hex representations from strings - Python从字符串中删除十六进制表示 - Python
【发布时间】：2015-10-09 03:43:56
【问题描述】：

好的，这里有一个简短的：

目标：检测字符串是否包含十六进制值，并正确提取或删除它们。

问题：我希望能够使用 openpyxl 将我的字符串写入 Excel 工作表，而不会引发非法字符异常错误。

有问题的字符串示例：

'\xc2\x87,QGLYLGXDO\x03ZLWK\x03EUHDVW\x03FDQFHU\x03\xc2\x9435

或者：

'5LVN\x03VWDWXV\x1d\x033RRU\x10ULVN\x1e\x03&amp;\\WRJHQHWLFV\x1d\x03&amp;RPSOH[\x03\x0b\xc2\x95\x03\x16\x03FORQDO\x03FKURPRVRPDO\x03DEQRUPDOLWLHV\x0c\x1e\x030RQRVRPDO\x03

我尝试过的：我尝试在写入之前检查每个元素，无论它是否是有效字符串，通过执行 if type(element) == str: 或 isinstance(element) == unicode 但没有效果。

我该如何解决这个问题？

额外信息： 我做了什么：

通过互联网上免费提供的软件将 PDF 文件转换为 xls 格式。 [不幸的是，该软件只是声称将其转换为 xls，而实际上数据是用 xml 写入的]
现在，我使用这些 xml 文件并编写一个 解析器 以从中提取数据。
第三，我使用提取的数据并使用 openpyxl 包将其写入 Excel 工作表。

【问题讨论】：

标签： python excel exception pdf openpyxl

【解决方案1】：

如果您查看 openpyxl 的源代码，您会发现负责检查是否允许使用字符的正则表达式，您可以使用它来检查字符串。看来\x03 是问题所在。您可以从源中剥离或转义这些字符。

import re
ILLEGAL_CHARACTERS_RE = re.compile(r'[\000-\010]|[\013-\014]|[\016-\037]')
m = ILLEGAL_CHARACTERS_RE.search(s)
m
<_sre.SRE_Match object; span=(12, 13), match='\x03'>

【讨论】：

如果字符串是UHVHFWLRQ◄ QEVS▲♥/RZ♥ULVN♥IHDWXUHV↔ QEVS▲♥2OLJRGHQGURJOLRPD♥RU♥PL[HG 怎么办？
然后它包含在创建 Excel 文件之前需要转义的无效字符。
我怎么能做到这一点？从上面评论中的字符串中，我可以消除“心”或“三角形”等特殊符号，但由字母组成的垃圾字符串仍然存在。你能建议点什么吗？ @查理克拉克
您可以简单地使用正则表达式来删除它们。
主要问题是：例如：假设有两个字符串A和B：A=我们有七大洲，B=上面的垃圾字符串。在这种情况下，我将如何区分垃圾信件和真实信件？如果我写正则表达式，即使是真实的字母也会被删除，不是吗？

【解决方案2】：

这对我有用：

e = "\x00\x03Rock\x04Is\x09 Cool"
m = re.split('\s+', re.sub(r"[\x00-\x1F\x7F]", ' ', e))        
result = ' '.join(m)
print result

样本输出：

RockIsCool

以下排除了除\x0b 和\x0c 之外的大多数十六进制值，因为它们属于可打印字符。

e = filter(lambda x: x in string.printable, e)

【讨论】：