Question

好的，所以这里有一个简短的说明：

目标：检测字符串是否包含十六进制值并正确提取它们或删除它们。

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

示例有问题的字符串：

'\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

我尝试了什么：我尝试在写入之前检查每个元素，无论是有效的字符串，还是执行if type(element) == str:或isinstance(element) == unicode但是没有效果。

如何解决此问题？

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，而事实上数据是用 xml 编写的]
现在，我获取这些xml文件并编写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。

Answer 1

如果查看openpyxl的来源，你会发现正则表达式负责检查字符是否被允许，你可以使用它来检查字符串。似乎\x03是问题所在。您可以从源中删除或转义这些字符。

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'>

Answer 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

示例输出：

RockIsCool

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

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

从字符串中删除十六进制表示 - Python

2 个答案: