我有一个包含很多垃圾字符的文本文件。
https://raw.githubusercontent.com/shantanuo/marathi_spell_check/master/dicts/sample.txt
我只需要保留天神角色。预期的干净输出将类似于以下内容……
भूमी
भूमी
भूमीला
भैय्यासाहेब
भैरवनाथ
भैरवी
भैरव
गावापासून
गा
根据此页面,我需要提取U + 090到U + 097的unicode范围之间的所有字符 https://en.wikipedia.org/wiki/Devanagari_(Unicode_block)
我尝试了这段代码,但是它返回了一些外来字符。
def remove_junk(word):
mylist=list()
for i in word:
if b'9' in (i.encode('ascii', 'backslashreplace')):
mylist.append(i)
return (''.join(mylist))
with open('sample2a.txt', 'w') as nf:
with open('sample.txt') as f:
for i in f:
nf.write(remove_junk(i) + '\n')
答案 0 :(得分:3)
您可以使用正则表达式删除所有不在U + 0900-U + 097F Unicode范围内的字符。
import re
p = re.compile(r'[^\u0900-\u097F\n]') # preserve the trailing newline
with open('sample.txt') as f, open('sample2a.txt', 'w') as nf:
for line in f:
cleaned = p.sub('', line)
if cleaned.strip():
nf.write(cleaned)
最小代码示例
import re
text = '''
‘भूमी
‘भूमी’
‘भूमी’ला
‘भैय्यासाहेब
‘भैरवनाथ
‘भैरवी
‘भैरव’
ﻇﻬﻴﺮ
(ページを閲覧しているビジターの使用言語)。
(缺少文字)
गावापासून
गा
'''
p = re.compile(r'[^\u0900-\u097F\n]')
for line in text.splitlines():
cleaned = p.sub('', line)
if cleaned.strip():
print(cleaned)
# भूमी
# भूमी
# भूमीला
# भैय्यासाहेब
# भैरवनाथ
# भैरवी
# भैरव
# गावापासून
# गा
答案 1 :(得分:2)
我不了解Python,但我想可以像在JavaScript中一样在正则表达式中使用Unicode属性,因此可以使用 Devanagari脚本以某种方式修改以下脚本属性:
var text =
`‘भूमी
‘भूमी’
‘भूमी’ला
‘भैय्यासाहेब
‘भैरवनाथ
‘भैरवी
‘भैरव’
ﻇﻬﻴﺮ
(ページを閲覧しているビジターの使用言語)。
(缺少文字)
गावापासून
�गा`;
console.log (text.replace (/[^\r\n\p{Script=Devanagari}]/gu, ""));
产生:
भूमी
भूमी
भूमीला
भैय्यासाहेब
भैरवनाथ
भैरवी
भैरव
गावापासून
गा