Python处理文本文件中控制字符的方法

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：（未一一验证）

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)

来源：https://www.biaodianfu.com/control-character-python.html