Удалить все символы un utf-8 из строки

У меня есть большое количество файлов и парсера. Мне нужно удалить все символы un utf-8 и поместить данные в mongodb. В настоящее время у меня такой код.

with open(fname, "r") as fp:
    for line in fp:
        line = line.strip()
        line = line.decode('utf-8', 'ignore')
        line = line.encode('utf-8', 'ignore')

как-то я все еще получаю сообщение об ошибке

bson.errors.InvalidStringData: strings in documents must be valid UTF-8: 
1/b62010montecassianomcir\xe2\x86\x90ta0\xe2\x86\x90008923304320733/290066010401040101506055soccorin

Я не понимаю. Есть ли простой способ сделать это?

UPD: похоже, что Python и Mongo не согласны с определением допустимой строки Utf-8.

Ответы

Ответ 1

Попробуйте ввести строку кода вместо двух последних строк. Надеюсь, это поможет:

line=line.decode('utf-8','ignore').encode("utf-8")

Ответ 2

Для python 3, как указано в комментарии в этом потоке, вы можете:

line = bytes(line, 'utf-8').decode('utf-8', 'ignore')

Параметр "игнорировать" предотвращает возникновение ошибки, если какие-либо символы не могут быть декодированы.

Если ваша строка уже является объектом байта (например, b'my string'), вам просто нужно декодировать ее с помощью decode('utf-8', 'ignore').

Ответ 3

Пример для обработки символов utf-8

import string

test=u"\n\n\n\n\n\n\n\n\n\n\n\n\n\nHi <<First Name>>\nthis is filler text \xa325 more filler.\nadditilnal filler.\n\nyet more\xa0still more\xa0filler.\n\n\xa0\n\n\n\n\nmore\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\nfiller.\x03\n\t\t\t\t\t\t    almost there \n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\nthe end\n\n\n\n\n\n\n\n\n\n\n\n\n"

print ''.join(x for x in test if x in string.printable)