Python处理文本中的控制字符

先前在使用Python进行抓取的时候，遇到读取数据的错误。经过分析发现原来返回的HTML中包含控制字符（原来防爬虫还可以这么干，控制字符在抓取程序中容易引起报错，但是在浏览器中呈现给用户的时候确没有什么影响）。

什么是控制字符？

控制字符（Control Character），或者说非打印字符，出现于特定的信息文本中，表示某一控制功能的字符，如控制符：LF（换行）、CR（回车）、FF（换页）、DEL（删除）、BS（退格)、BEL（振铃）等；通讯专用字符：SOH（文头）、EOT（文尾）、ACK（确认）等。

具体控制字符一共有下面两个集合：

• 七位ASCII定义了33个代码作为控制字符，它们是0到31、以及127，（位于0x00-0x1F及0x7F）
• 兼容的八位ISO/IEC 8859-1加上了从ISO/IEC 6429定义的从128到159的32个代码，位于0x80-0x9F

控制字符列表：http://ascii-table.com/control-chars.php

Python解决控制字符的方案

方案一：

strip_control_characters = lambda s:"".join(i for i in s if 31<ord(i)<127)

方案二：

def strip_control_characters(str_input):  
    if str_input:  
        import re  
        # unicode invalid characters  
        RE_XML_ILLEGAL = u'([\u0000-\u0008\u000b-\u000c\u000e-\u001f\ufffe-\uffff])' + \
                        u'|' + \
                        u'([%s-%s][^%s-%s])|([^%s-%s][%s-%s])|([%s-%s]$)|(^[%s-%s])' % \
                        (unichr(0xd800),unichr(0xdbff),unichr(0xdc00),unichr(0xdfff),  
                           unichr(0xd800),unichr(0xdbff),unichr(0xdc00),unichr(0xdfff),  
                           unichr(0xd800),unichr(0xdbff),unichr(0xdc00),unichr(0xdfff),  
                           )  
        str_input = re.sub(RE_XML_ILLEGAL, "", input)  
        # ascii control characters  
        str_input = re.sub(r"[\x01-\x1F\x7F]", "", input)  
    return str_input

方案三：

import re

def remove_control_chars(s):
    control_chars = ''.join(map(unichr, range(0,32) + range(127,160)))
    control_char_re = re.compile('[%s]' % re.escape(control_chars))

    return control_char_re.sub('', s)

cleaned_json = remove_control_chars(original_json)
obj = simplejson.loads(cleaned_json)

参考链接：

• http://www.rootr.net/ascii.html