Який найкращий спосіб видалити наголоси в рядку Unicode Python?

У мене в Python є рядок Unicode, і я хотів би видалити всі наголоси (діакритики).

Я знайшов в Інтернеті елегантний спосіб зробити це на Java:

1. перетворити рядок Unicode у його довгу нормовану форму (з окремим символом для літер та діакритики)
2. видаліть усі символи, тип Unicode - "діакритичний".

Чи потрібно мені встановити таку бібліотеку, як pyICU, чи це можливо лише за допомогою стандартної бібліотеки python? А як щодо python 3?

Важлива примітка: Я хотів би уникати коду з чітким відображенням від наголошених символів до їх аналога без акценту.

Unidecode - правильна відповідь на це. Це транслітералізує будь-яку рядок unicode в найближче можливе подання в тексті ascii.

Приклад:

accented_string = u'Málaga'
# accented_string is of type 'unicode'
import unidecode
unaccented_string = unidecode.unidecode(accented_string)
# unaccented_string contains 'Malaga'and is of type 'str'

Як щодо цього:

import unicodedata
def strip_accents(s):
   return ''.join(c for c in unicodedata.normalize('NFD', s)
                  if unicodedata.category(c) != 'Mn')

Це працює і на грецьких літерах:

>>> strip_accents(u"A \u00c0 \u0394 \u038E")
u'A A \u0394 \u03a5'
>>> 

Категорія символів «Mn» означає Nonspacing_Mark, що аналогічно unicodedata.combining у відповідь MiniQuark в (я не думаю про unicodedata.combining, але це, ймовірно, краще рішення, тому що це більш явним).

І майте на увазі, ці маніпуляції можуть суттєво змінити зміст тексту. Акценти, Umlauts тощо не є "прикрасою".

Я щойно знайшов цю відповідь в Інтернеті:

import unicodedata

def remove_accents(input_str):
    nfkd_form = unicodedata.normalize('NFKD', input_str)
    only_ascii = nfkd_form.encode('ASCII', 'ignore')
    return only_ascii

Це добре працює (наприклад, для французької), але я думаю, що з другим кроком (видалення наголосів) можна було б впоратися краще, ніж відкинути символи, що не належать до ASCII, тому що це стане невдалим для деяких мов (наприклад, грецької). Найкращим рішенням, мабуть, було б явно видалити символи Unicode, які позначені як діакритичні.

Редагувати : це робить фокус:

import unicodedata

def remove_accents(input_str):
    nfkd_form = unicodedata.normalize('NFKD', input_str)
    return u"".join([c for c in nfkd_form if not unicodedata.combining(c)])

unicodedata.combining(c)повернеться істиною, якщо персонаж cможна поєднати з попереднім символом, тобто головним чином, якщо це діакритичний знак.

Редагувати 2 : remove_accentsочікує рядок Unicode , а не байт. Якщо у вас є рядок байтів, ви повинні розшифрувати його в рядок Unicode, як це:

encoding = "utf-8" # or iso-8859-15, or cp1252, or whatever encoding you use
byte_string = b"café"  # or simply "café" before python 3.
unicode_string = byte_string.decode(encoding)

Насправді я працюю над сумісними проектами python 2.6, 2.7 та 3.4, і мені потрібно створити ідентифікатори з безкоштовних записів користувачів.

Завдяки вам я створив цю функцію, яка творить чудеса.

import re
import unicodedata

def strip_accents(text):
    """
    Strip accents from input String.

    :param text: The input string.
    :type text: String.

    :returns: The processed String.
    :rtype: String.
    """
    try:
        text = unicode(text, 'utf-8')
    except (TypeError, NameError): # unicode is a default on python 3 
        pass
    text = unicodedata.normalize('NFD', text)
    text = text.encode('ascii', 'ignore')
    text = text.decode("utf-8")
    return str(text)

def text_to_id(text):
    """
    Convert input text to id.

    :param text: The input string.
    :type text: String.

    :returns: The processed String.
    :rtype: String.
    """
    text = strip_accents(text.lower())
    text = re.sub('[ ]+', '_', text)
    text = re.sub('[^0-9a-zA-Z_-]', '', text)
    return text

результат:

text_to_id("Montréal, über, 12.89, Mère, Françoise, noël, 889")
>>> 'montreal_uber_1289_mere_francoise_noel_889'

Це обробляє не тільки наголоси, але й "штрихи" (як у ø тощо):

import unicodedata as ud

def rmdiacritics(char):
    '''
    Return the base character of char, by "removing" any
    diacritics like accents or curls and strokes and the like.
    '''
    desc = ud.name(char)
    cutoff = desc.find(' WITH ')
    if cutoff != -1:
        desc = desc[:cutoff]
        try:
            char = ud.lookup(desc)
        except KeyError:
            pass  # removing "WITH ..." produced an invalid name
    return char

Це найелегантніший спосіб, про який я можу подумати (і про це Алексис згадував у коментарі на цій сторінці), хоча я не думаю, що це дуже елегантно. Насправді, це більше хак, як вказувалося в коментарях, оскільки імена Unicode - це справді просто імена, вони не дають жодних гарантій бути послідовними чи нічого.

Є ще спеціальні букви, які цим не обробляються, наприклад, перевернуті та перевернуті літери, оскільки їхнє ім'я Unicode не містить "З". Це залежить від того, що ви хочете все-таки зробити. Мені іноді потрібна була наголос наголосу для досягнення порядку сортування словника.

РЕДАКТУВАТИ ПРИМІТКА:

Включені пропозиції з коментарів (обробка помилок пошуку, код Python-3).

У відповідь на відповідь @ MiniQuark:

Я намагався прочитати у файлі csv, який був напівфранцузьким (містить акценти), а також деякі рядки, які з часом стануть цілими чи плаваючими. Як тест, я створив test.txtфайл, який виглядав приблизно так:

Montréal, über, 12.89, Mère, Françoise, noël, 889

Мені довелося включити рядки 2та 3примусити його працювати (що я знайшов у квитку python), а також включити коментар @ Jabba:

import sys 
reload(sys) 
sys.setdefaultencoding("utf-8")
import csv
import unicodedata

def remove_accents(input_str):
    nkfd_form = unicodedata.normalize('NFKD', unicode(input_str))
    return u"".join([c for c in nkfd_form if not unicodedata.combining(c)])

with open('test.txt') as f:
    read = csv.reader(f)
    for row in read:
        for element in row:
            print remove_accents(element)

Результат:

Montreal
uber
12.89
Mere
Francoise
noel
889

(Примітка. Я перебуваю на Mac OS X 10.8.4 і використовую Python 2.7.3)

gensim.utils.deaccent (текст) від Gensim - тематичне моделювання для людей :

'Sef chomutovskych komunistu dostal postou bily prasek'

Ще одне рішення - unidecode .

Зауважте, що запропоноване рішення з unicodedata, як правило, видаляє наголоси лише в якомусь символі (наприклад, перетворюється 'ł'на '', а не на 'l').

Деякі мови поєднують діакритику як букву мови та діакритику наголосу, щоб вказати наголос.

Я думаю, що більш безпечно чітко вказати, які діалектрики ви бажаєте зняти:

def strip_accents(string, accents=('COMBINING ACUTE ACCENT', 'COMBINING GRAVE ACCENT', 'COMBINING TILDE')):
    accents = set(map(unicodedata.lookup, accents))
    chars = [c for c in unicodedata.normalize('NFD', string) if c not in accents]
    return unicodedata.normalize('NFC', ''.join(chars))