如何将utf-8花式报价转换为中性报价

Question

我正在编写一个Python脚本来解析word文档并写入csv文件.但是,某些文档有一些utf-8字符,我的脚本无法正确处理.

花哨的引号经常出现(u'\ u201c').是否有一种快速简单(和智能)的方式来替换那些使用中性ascii支持的引号,所以我可以写入line.encode('ascii')csv文件？

我试图找到左引号并替换它:

val = line.find(u'\u201c')
if val >= 0: line[val] = '"'

但无济于事:

TypeError: 'unicode' object does not support item assignment

我所描述的是一个好策略吗？或者我应该设置csv以支持utf-8(虽然我不确定将要读取CSV的应用程序是否需要utf-8)？

谢谢

Answer 1

您可以使用该Unidecode程序包自动将所有Unicode字符转换为最接近的纯ASCII等效字符.

from unidecode import unidecode
line = unidecode(line)

这将处理双引号的方向以及单引号,破折号以及您可能尚未发现的其他内容.

Answer 2

您不能分配给字符串,因为它们是不可变的,并且无法更改.

但是,您可以使用正则表达式库,这可能是最灵活的方法:

import re
newline = re.sub(u'\u201c','"',line)