从文本文档中删除标点字符和实体

Question

我需要删除文本文档中的以下标点字符和实体。你知道吗

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

我知道我可以用它来删除&#some number和&nbsp。但是，作为一个初学者，我不知道我是否可以做同样的事情来删除其他的东西，比如;、,等等

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

还有，有没有什么方法可以让我一次删除所有代码，而不是多次运行同一个代码。你知道吗

Answer 1

如果字符串中已经有了所有内容，只需使用^{}：

>>> 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"

Answer 2

这些看起来像HTML和URL编码的实体。你知道吗

你可以用各种方法解码它们

• 你知道吗urllib.unquote文件你知道吗
• 你知道吗urllib.unquote\u加号你知道吗
• 你知道吗cgi.unescape你知道吗
• http://wiki.python.org/moin/EscapingHtml