数据清洗：用一行Python代码去掉文本中的各种符号

2022-03-05 10:39:17

前言

在搜集了很多文本语料之后，会开始漫长的数据清洗过程，通常要不断迭代。

有些文本数据中，会包含一些特殊符号。

猜想可能是从某些富文本编辑器中直接粘贴到了网页。

如果要清除这些特殊符号，就需要专门的工具。

Unicode标准把符号分为四大类，分别是：

一般需要清理掉的符号会是So类型的，但还是要根据自己的数据情况具体分析。

在数据清洗过程中遇到的符号可能包括：杂项符号、几何形状、箭头、心形、星形、表情Emoji、货币符号等。
如果以上这些符号都要删除，可以用下面的代码。

text = "".join(ch for ch in text if unicodedata.category(ch)[0]!= 'S')

如果需要单独去除某一类，或者希望知道某个符号所属的具体类别，就需要到这个网站:
https://www.unicode.org/charts/charindex.html
查找对应的符号类型。

以箭头符号为例。

先用Arrow搜索上面的网页，找到纯粹的箭头项Arrows，对应的文档是：https://www.unicode.org/charts/PDF/U2190.pdf

找到自己需要的箭头，并查看对应的名字。

举例：箭头
RIGHTWARDS ARROW，然后用python提供的unicodedata标准库，查找这个符号的类别。

unicodedata.lookup('RIGHTWARDS ARROW')
'→'
unicodedata.category('→')
'Sm'

这样，就知道要查找的箭头符号，属于Sm类别（数学符号）。

举例：黑色方块

BLACK SQUARE ■ U+25A0

unicodedata.lookup('BLACK SQUARE')
'■'
unicodedata.category('■')
'So'

举例：黑色心形

unicodedata.lookup('BLACK HEART SUIT')
'♥'
unicodedata.category('♥')
'So'

举例：黑色星形

unicodedata.lookup('BLACK FOUR POINTED STAR')
'✦'
unicodedata.category('✦')
'So'

如果只需要去除杂项符号，可以用下面的python代码。

text = "".join(ch for ch in text if unicodedata.category(ch) != 'So')

另一个有用的网址：