- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我正在尝试从 this link 中找到的 .txt 文件构建语料库。我相信 \xad
的实例被认为是“软连字符”,但在 UTF-8 编码下似乎无法正确读取。我尝试使用以下代码将 .txt 文件编码为 iso8859-15
:
with open('Harry Potter 3 - The Prisoner Of Azkaban.txt', 'r',
encoding='iso8859-15') as myfile:
data=myfile.read().replace('\n', '')
data2 = data.split(' ')
这会返回一个“words”数组,但“\xad”仍附加到 data2 中的许多条目。我已经尝试过
data_clean = data.replace('\\xad', '')
和
data_clean = data.replace('\\xad|\\xad\\xad','')
但这似乎并没有删除“\xad”的实例。以前有人遇到过类似的问题吗?理想情况下,我想将此数据编码为 UTF-8 以利用 nltk
库,但它不会使用 UTF-8 编码读取文件,因为我收到以下错误:
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xad in position 471: invalid start byte
任何帮助将不胜感激!
其他上下文:这是一个娱乐项目,旨在能够根据 txt 文件生成故事。到目前为止我生成的所有内容都充满了“\xad”,这破坏了乐趣!
最佳答案
您的文件几乎肯定有实际的 U+00AD soft-hyphen characters就在其中。
这些字符标记在将行调整到页面时可以分割单词的位置。这个想法是,如果单词不需要拆分,则软连字符是不可见的,但打印方式与 U+2010 normal hyphen 相同。如果是的话。
由于您不关心在书中以流畅的文本呈现此文本,因此您永远不会用连字符连接任何内容,因此您只想删除这些字符。
做到这一点的方法不是摆弄编码。只需将它们从 Unicode 文本中删除即可,使用您认为最易读的其中一个:
data = data.replace('\xad', '')
data = data.replace('\u00ad', '')
data = data.replace('\N{SOFT HYPHEN}', '')
注意单个反斜杠。我们不是替换文字反斜杠、x
、a
、d
,而是替换文字软连字符,即代码点为十六进制 0xad 的字符。
您可以在拆分为单词之前对整个文件执行此操作,也可以在拆分后对每个单词执行一次。
<小时/>同时,您似乎对什么是编码以及如何使用它们感到困惑:
I've tried encoding the .txt file as iso8859-15
不,您已尝试将文件解码为 ISO-8859-15。目前尚不清楚您为什么首先尝试 ISO-8859-15。但是,由于字符 '\xad'
的 ISO-8859-15 编码是字节 b'\xad'
,所以也许这是正确的。
Ideally I'd like to encode this data as UTF-8 to avail of the nltk library
但是 NLTK 不需要 UTF-8 字节,它需要 Unicode 字符串。您不需要为此对其进行编码。
另外,您并不是尝试将 Unicode 文本编码为 UTF-8,而是尝试从 UTF-8解码字节。如果这些字节不是这样的……如果幸运的话,您会收到类似这样的错误;如果没有,您将得到 mojibake,直到您搞砸了 500GB 语料库并扔掉原始数据时才注意到。1
<小时/><子>1。 UTF-8 是专门设计的,因此只要有可能,您就会尽早收到错误。在这种情况下,读取带有软连字符的 ISO-8859-15 文本(就像它是 UTF-8 一样)会引发您所看到的错误,但是读取带有软连字符的 UTF-8 文本(就像它是 ISO-8859-15 一样)会默默地产生错误。成功,但在每个软连字符之前有一个额外的 'Â'
字符。该错误通常更有帮助。
关于python - 在Python中删除 '\xad'的最佳方法?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/51976328/
我正在处理一组标记为 160 个组的 173k 点。我想通过合并最接近的(到 9 或 10 个组)来减少组/集群的数量。我搜索过 sklearn 或类似的库,但没有成功。 我猜它只是通过 knn 聚类
我有一个扁平数字列表,这些数字逻辑上以 3 为一组,其中每个三元组是 (number, __ignored, flag[0 or 1]),例如: [7,56,1, 8,0,0, 2,0,0, 6,1,
我正在使用 pipenv 来管理我的包。我想编写一个 python 脚本来调用另一个使用不同虚拟环境(VE)的 python 脚本。 如何运行使用 VE1 的 python 脚本 1 并调用另一个 p
假设我有一个文件 script.py 位于 path = "foo/bar/script.py"。我正在寻找一种在 Python 中通过函数 execute_script() 从我的主要 Python
这听起来像是谜语或笑话,但实际上我还没有找到这个问题的答案。 问题到底是什么? 我想运行 2 个脚本。在第一个脚本中,我调用另一个脚本,但我希望它们继续并行,而不是在两个单独的线程中。主要是我不希望第
我有一个带有 python 2.5.5 的软件。我想发送一个命令,该命令将在 python 2.7.5 中启动一个脚本,然后继续执行该脚本。 我试过用 #!python2.7.5 和http://re
我在 python 命令行(使用 python 2.7)中,并尝试运行 Python 脚本。我的操作系统是 Windows 7。我已将我的目录设置为包含我所有脚本的文件夹,使用: os.chdir("
剧透:部分解决(见最后)。 以下是使用 Python 嵌入的代码示例: #include int main(int argc, char** argv) { Py_SetPythonHome
假设我有以下列表,对应于及时的股票价格: prices = [1, 3, 7, 10, 9, 8, 5, 3, 6, 8, 12, 9, 6, 10, 13, 8, 4, 11] 我想确定以下总体上最
所以我试图在选择某个单选按钮时更改此框架的背景。 我的框架位于一个类中,并且单选按钮的功能位于该类之外。 (这样我就可以在所有其他框架上调用它们。) 问题是每当我选择单选按钮时都会出现以下错误: co
我正在尝试将字符串与 python 中的正则表达式进行比较,如下所示, #!/usr/bin/env python3 import re str1 = "Expecting property name
考虑以下原型(prototype) Boost.Python 模块,该模块从单独的 C++ 头文件中引入类“D”。 /* file: a/b.cpp */ BOOST_PYTHON_MODULE(c)
如何编写一个程序来“识别函数调用的行号?” python 检查模块提供了定位行号的选项,但是, def di(): return inspect.currentframe().f_back.f_l
我已经使用 macports 安装了 Python 2.7,并且由于我的 $PATH 变量,这就是我输入 $ python 时得到的变量。然而,virtualenv 默认使用 Python 2.6,除
我只想问如何加快 python 上的 re.search 速度。 我有一个很长的字符串行,长度为 176861(即带有一些符号的字母数字字符),我使用此函数测试了该行以进行研究: def getExe
list1= [u'%app%%General%%Council%', u'%people%', u'%people%%Regional%%Council%%Mandate%', u'%ppp%%Ge
这个问题在这里已经有了答案: Is it Pythonic to use list comprehensions for just side effects? (7 个答案) 关闭 4 个月前。 告
我想用 Python 将两个列表组合成一个列表,方法如下: a = [1,1,1,2,2,2,3,3,3,3] b= ["Sun", "is", "bright", "June","and" ,"Ju
我正在运行带有最新 Boost 发行版 (1.55.0) 的 Mac OS X 10.8.4 (Darwin 12.4.0)。我正在按照说明 here构建包含在我的发行版中的教程 Boost-Pyth
学习 Python,我正在尝试制作一个没有任何第 3 方库的网络抓取工具,这样过程对我来说并没有简化,而且我知道我在做什么。我浏览了一些在线资源,但所有这些都让我对某些事情感到困惑。 html 看起来
我是一名优秀的程序员,十分优秀!