從文本文檔中刪除標點符號和實體

Question

我需要刪除文本文檔中的以下標點符號和實體。

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

我知道，我可以用它來刪除&#some number和&nbsp。然而，作爲一個初學者，我不知道我是否可以做同樣的事情，刪除其他像;，,等

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

此外，有沒有我可以刪除它們中的任何方式一次而不是多次運行相同的代碼。

Answer 1

那些看起來像HTML和URL編碼的實體。

你可以使用各種手段

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

Answer 2

如果你已經擁有了一切只是對其進行解碼在一個字符串中，你可以簡單地使用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"