python - 从文本文档中删除标点符号和实体

Question

我需要删除文本文档中的以下标点符号和实体。

1. 删除&#151, &#148,&#some number
2. ; , . ( ) [ ] * ! !
3. &nbsp

我知道我可以用它来删除&#some number和&nbsp。但是，作为一个初学者，我不知道我是否可以做同样的事情来删除其他的东西，比如;，,等等。

match = re.sub(r'&#146', '', open('test2.txt', 'r').read())

另外，有什么方法可以一次删除所有这些，而不是多次运行相同的代码。

Answer 1

如果您已经将所有内容都包含在字符串中，则可以简单地使用translate()：

>>> s
"hello there ! this is a string with $ some % characters I & don't ( want!"
>>> s.translate(None,"$!%&(")
"hello there  this is a string with  some  characters I  don't  want"

Answer 2

这些看起来像 HTML 和 URL 编码的实体。

您可以使用多种方式对其进行解码

• urllib.unquote
• urllib.unquote_plus
• cgi.unescape
• http://wiki.python.org/moin/EscapingHtml