Question

我有一个带有重音拉丁字符的unicode字符串，例如。

n=unicode('Wikipédia, le projet d’encyclopédie','utf-8')

我想把它转换成普通的ascii，即'Wikipedia，le projet dencyclopedie'，所以所有的尖锐/重音，cedilla等应该被删除

最快的方法是什么，因为需要完成匹配长自动完成下拉列表

结论： 正如我的标准是速度，Lennart的“为unicode编码/解码注册你自己的错误处理程序”给出了最好的结果（见Alex的答案），随着越来越多的字符拉丁语，速度差异进一步增加。

这是我正在使用的转换表，也修改了错误处理程序，因为它需要处理从error.start到error.end的整个范围的未编码的char。

# -*- 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')

为什么我返回error.start + 1：

返回的错误对象可以是多个字符，我们只转换其中的第一个，例如如果我将print error.start, error.end添加到错误处理程序输出

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 '

所以在第二行我们从2-10得到字符但是我们只转换为2因此返回3作为连续点，如果我们返回error.end输出是

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 '

正如我们所看到的，2-10部分已被单个字母替换。当然，只需一次编码整个范围并返回error.end就会更快，但为了演示目的，我保持简单。

有关详细信息，请参阅http://docs.python.org/library/codecs.html#codecs.register_error

Answer 1

所以这里有三种方法，或多或少在其他答案中给出或建议：

# -*- coding: utf-8 -*-
import codecs
import unicodedata

x = u"Wikipédia, le projet d’encyclopédie"

xtd = {ord(u'’'): u"'", ord(u'é'): u'e', }

def asciify(error):
    return xtd[ord(error.object[error.start])], error.end

codecs.register_error('asciify', asciify)

def ae():
  return x.encode('ascii', 'asciify')

def ud():
  return unicodedata.normalize('NFKD', x).encode('ASCII', 'ignore')

def tr():
  return x.translate(xtd)

if __name__ == '__main__':
  print 'or:', x
  print 'ae:', ae()
  print 'ud:', ud()
  print 'tr:', tr()

以主要方式运行，这会发出：

or: Wikipédia, le projet d’encyclopédie
ae: Wikipedia, le projet d'encyclopedie
ud: Wikipedia, le projet dencyclopedie
tr: Wikipedia, le projet d'encyclopedie

清楚地表明基于单字母的方法虽然确实具有不需要翻译地图xtd的便利性，但却无法以自动方式正确翻译所有字符（它适用于重音字母，但不适用于反撇号），所以它还需要一些辅助步骤来明确地处理那些（毫无疑问，现在它的身体之前）。

表演也很有趣。在我的Mac OS X 10.5和系统Python 2.5的笔记本电脑上，完全可重复：

$ python -mtimeit -s'import a' 'a.ae()'
100000 loops, best of 3: 7.5 usec per loop
$ python -mtimeit -s'import a' 'a.ud()'
100000 loops, best of 3: 3.66 usec per loop
$ python -mtimeit -s'import a' 'a.tr()'
10000 loops, best of 3: 21.4 usec per loop

translate出乎意料地缓慢（相对于其他方法）。我认为问题在于，translate案例中的每个字符都会查找字典（并且大部分不在那里），但仅针对那些使用asciify方法的那些字符。

因此，为了完整性，这里采用了“加强的unicodedata”方法：

specstd = {ord(u'’'): u"'", }
def specials(error):
  return specstd.get(ord(error.object[error.start]), u''), error.end
codecs.register_error('specials', specials)

def bu():
  return unicodedata.normalize('NFKD', x).encode('ASCII', 'specials')

这给出了正确的输出，但是：

$ python -mtimeit -s'import a' 'a.bu()'
100000 loops, best of 3: 10.7 usec per loop

......速度不再那么好了。因此，如果速度很重要，毫无疑问，制作完整的xtd翻译词典并使用asciify方法是很麻烦的。当每次翻译几微秒没什么大不了的时候，人们可能只是为了方便而考虑bu方法（只需要一个翻译字典，希望很少，特殊字符不能正确翻译底层） unicodedata idea。。

Answer 2

真棒unidecode模块为您完成此任务：

>>> import unidecode
>>> n = unicode('Wikipédia, le projet d’encyclopédie','utf-8')
>>> unidecode.unidecode(n)
"Wikipedia, le projet d'encyclopedie"

Answer 3

执行此操作的“正确”方法是为unicode编码/解码注册自己的错误处理程序，并在该错误处理程序中提供从è到e和ö到o等的替换。

像这样：

# -*- coding: UTF-8 -*-
import codecs

map = {u'é': u'e',
       u'’': u"'",
       # ETC
       }

def asciify(error):
    return map[error.object[error.start]], error.end

codecs.register_error('asciify', asciify)

test = u'Wikipédia, le projet d’encyclopédie'
print test.encode('ascii', 'asciify')

您可能也会在IBM的ICU库中找到一些东西，而它的Python绑定PyICU，但它可能不那么有效。

Answer 4

Maketrans（并翻译）然后转换为ascii：

intab = u'áéí'  # extend as needed
outtab = u'aei' # as well as this one
table = maketrans(intab, outtab)

text = translate(u"Wikipédia, le projet d’encyclopédie", table)

try:
    temp = unicode(text, "utf-8")
    fixed = unicodedata.normalize('NFKD', temp).encode('ASCII', action)
    return fixed
except Exception, errorInfo:
    print errorInfo
    print "Unable to convert the Unicode characters to xml character entities"
    raise errorInfo

（来自here）

Answer 5

如果不进行测量，我希望Unicode字符串的.translate方法是最快的解决方案。不过，你一定要做自己的测量。

Answer 6

包unihandecode是

Unicode文本的US-ASCII音译一个改进版的Python unidecode，是Sean M. Burke的Text :: Unidecode Perl模块的Python端口。

pip install Unihandecode

然后在python

import unihandecode
print(unihandecode.unidecode(u'Wikipédia, le projet d’encyclopédie'))

打印Wikipedia, le projet d'encyclopedie。

拉丁-1到ascii

6 个答案: