拉丁语1至ascii

Question

我有带重音拉丁字符的unicode字符串，例如

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

我想将其转换为普通的ascii，即“ Wikipedia，le projet dencyclopedie”，因此所有急性/重音，塞迪利亚等都应删除

什么是最快的方法，因为需要这样做才能匹配较长的自动完成下拉列表

结论：
作为速度的标准，Lennart的“注册您自己的错误处理程序以进行Unicode编码/解码”可提供最佳效果（请参见Alex的回答），随着拉丁字符越来越多，速度差进一步增加。

这是我使用的转换表，还修改了错误处理程序，因为它需要处理从error.start到error.end的整个未编码char范围

# -*- 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')

我为什么回来error.start + 1：

返回的错误对象可以是多个字符，我们仅转换其中的第一个，例如，如果我添加print error.start, error.end到错误处理程序，则输出为

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 '

因此在第二行中，我们从2-10获得字符，但我们仅转换2nd，因此如果返回error，则返回3作为继续点。end输出为

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 '

如我们所见，2-10部分已被单个字符替换。当然，一次编码整个范围并返回error.end会更快，但是出于演示目的，我将其简化了。

有关更多详细信息，请参见http://docs.python.org/library/codecs.html#codecs.register_error

Answer 1

因此，这是三种方法，或多或少都由其他答案给出或建议：

# -*- 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main身份运行，它发出：

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unicodedata的方法确实具有不需要翻译图的便利，xtd但是不能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），因此它还需要一些辅助步骤来显式地处理这些问题（毫无疑问，现在是它的主体了）。

性能也很有趣。在我的装有Mac OS X 10.5和系统Python 2.5的笔记本电脑上，可重复的是：

$ 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出奇地慢（相对于其他方法）。我认为问题在于，对于translate案例中的每个字符（大多数不存在）都只检查了dict
，而对于asciify方法中存在的仅有的几个字符，则进行了调查。

因此，为了完整起见，这里使用“优化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，那么做出完整的xtd翻译命令并使用该asciify方法无疑是值得的。当每次翻译多花几微秒的时间没什么大不了的时候，您可能bu只是为了方便而考虑使用此方法（只需要一个翻译字典即可，希望有一些特殊的字符无法与基础unicodedata想法正确地翻译）。