如何在 Python 中替换 Unicode 字符？

Question

我正在通过他们的 API 提取 Twitter 数据，其中一条推文有一个特殊字符（右撇号），我不断收到错误消息，说 Python 无法映射或字符映射该字符。我已经查看了整个互联网，但我还没有找到解决这个问题的方法。我只想用 Python 可以识别的撇号或空字符串（基本上将其删除）替换该字符。我正在使用 Python 3.3。有关如何解决此问题的任何意见？这可能看起来很简单，但我是 Python 的新手。

编辑：这是我用来尝试过滤出引发错误的 unicode 字符的函数。

@staticmethod
def UnicodeFilter(var):
    temp = var
    temp = temp.replace(chr(2019), "'")
    temp = Functions.ToSQL(temp)
    return temp

另外，运行程序时，我的错误如下。

'charmap' 编解码器无法对位置 59 中的字符 '\u2019' 进行编码：字符映射到 'undefined'

编辑：这是我的源代码示例：

import json
import mysql.connector
import unicodedata
from MySQLCL import MySQLCL

class Functions(object):
"""This is a class for Python functions"""

@staticmethod
def Clean(string):
    temp = str(string)
    temp = temp.replace("'", "").replace("(", "").replace(")", "").replace(",", "").strip()
    return temp

@staticmethod
def ParseTweet(string):
    for x in range(0, len(string)):
        tweetid = string[x]["id_str"]
        tweetcreated = string[x]["created_at"]
        tweettext = string[x]["text"]
        tweetsource = string[x]["source"]
        truncated = string[x]["truncated"]
        inreplytostatusid = string[x]["in_reply_to_status_id"]
        inreplytouserid = string[x]["in_reply_to_user_id"]
        inreplytoscreenname = string[x]["in_reply_to_screen_name"]
        geo = string[x]["geo"]
        coordinates = string[x]["coordinates"]
        place = string[x]["place"]
        contributors = string[x]["contributors"]
        isquotestatus = string[x]["is_quote_status"]
        retweetcount = string[x]["retweet_count"]
        favoritecount = string[x]["favorite_count"]
        favorited = string[x]["favorited"]
        retweeted = string[x]["retweeted"]
        possiblysensitive = string[x]["possibly_sensitive"]
        language = string[x]["lang"]

        print(Functions.UnicodeFilter(tweettext))
        #print("INSERT INTO tweet(ExTweetID, TweetText, Truncated, InReplyToStatusID, InReplyToUserID, InReplyToScreenName, IsQuoteStatus, RetweetCount, FavoriteCount, Favorited, Retweeted, Language, TweetDate, TweetSource, PossiblySensitive) VALUES (" + str(tweetid) + ", '" + Functions.UnicodeFilter(tweettext) + "', " + str(truncated) + ", " + Functions.CheckNull(inreplytostatusid) + ", " + Functions.CheckNull(inreplytouserid) + ", '" + Functions.CheckNull(inreplytoscreenname) + "', " + str(isquotestatus) + ", " + str(retweetcount) + ", " + str(favoritecount) + ", " + str(favorited) + ", " + str(retweeted) + ", '" + str(language) + "', '" + Functions.ToSQL(tweetcreated) + "', '" + Functions.ToSQL(tweetsource) + "', " + str(possiblysensitive) + ")")
        #MySQLCL.Set("INSERT INTO tweet(ExTweetID, TweetText, Truncated, InReplyToStatusID, InReplyToUserID, InReplyToScreenName, IsQuoteStatus, RetweetCount, FavoriteCount, Favorited, Retweeted, Language, TweetDate, TweetSource, PossiblySensitive) VALUES (" + str(tweetid) + ", '" + tweettext + "', " + str(truncated) + ", " + Functions.CheckNull(inreplytostatusid) + ", " + Functions.CheckNull(inreplytouserid) + ", '" + Functions.CheckNull(inreplytoscreenname) + "', " + str(isquotestatus) + ", " + str(retweetcount) + ", " + str(favoritecount) + ", " + str(favorited) + ", " + str(retweeted) + ", '" + language + "', '" + tweetcreated + "', '" + str(tweetsource) + "', " + str(possiblysensitive) + ")")

@staticmethod
def ToBool(variable):
    if variable.lower() == 'true':
        return True
    elif variable.lower() == 'false':
        return False

@staticmethod
def CheckNull(var):
    if var == None:
        return ""
    else:
        return var

@staticmethod
def ToSQL(var):
    temp = var
    temp = temp.replace("'", "''")
    return str(temp)

@staticmethod
def UnicodeFilter(var):
    temp = var
    #temp = temp.replace(chr(2019), "'")
    unicodestr = unicode(temp, 'utf-8')
    if unicodestr != temp:
        temp = "'"
    temp = Functions.ToSQL(temp)
    return temp

ekhumoro's 响应正确。

Answer 1

您的程序似乎有两个问题。

首先，您将错误的代码点传递给chr()。字符’ 的hexdecimal 代码点是0x2019，但您传递的是decimal 数字2019（相当于十六进制的0x7e3） .所以你需要做：

    temp = temp.replace(chr(0x2019), "'") # hexadecimal

或：

    temp = temp.replace(chr(8217), "'") # decimal

为了正确替换字符。

其次，您收到错误的原因是程序的其他部分（可能是数据库后端）正在尝试使用 UTF-8 以外的其他编码对 unicode 字符串进行编码。对此很难更准确，因为您没有在问题中包含完整的回溯。但是，对“charmap”的引用表明正在使用 Windows 代码页（但不是 cp1252）；或 iso 编码（但不是 iso8859-1，又名 latin1）；或者可能是 KOI8_R。

无论如何，处理此问题的正确方法是确保程序的所有部分（尤其是数据库）都使用 UTF-8。如果你这样做了，你就不必再为替换字符而烦恼了。

Answer 2

您可以对您的 unicode 字符串进行编码以转换为 str 类型：

 a=u"dataàçççñññ"
type(a)
a.encode('ascii','ignore')

这样删除特殊字符会返回“数据”。

您可以使用 unicodedata 的其他方式

Answer 3

unicode_string = unicode(some_string, 'utf-8')
if unicode_string != some_string:
    some_string = 'whatever you want it to be'