如何从文本中去除撇号？

Question

这不是一个重复的问题，我已经在StackOverflow上搜索并尝试了各种答案，但都没有成功。

我正在用Python把一个.docx文件转换成纯文本，但在命令行上打印出来时，字符 " ' " 显示成了奇怪的符号（比如 canΓÇÖt）。下面是我的代码：

if file.endswith('.docx'):
        docx = zipfile.ZipFile(fullpath)
        content = docx.read('word/document.xml')
        cleaned = re.sub('<(.|\n)*?>','',content)
        text=unescape(cleaned)
        newtext = text.replace("'", " ")
        print newtext

在StackOverflow上找到的答案让我尝试了 "text=unescape(cleaned)" 和 "text.replace("'", " ")"，但结果还是不理想。

我该如何从字符串变量中去掉撇号？或者更好的是，如何确保撇号能正确显示？

Answer 1

我猜你的问题是，你看到的是‘some_text_here’，而不是'some_text_here'。也就是说，你看到的是单个的弯曲引号（或者叫“智能引号”）。

你可以这样做：

if file.endswith('.docx'):
    ...
    cleaned = re.sub('<(.|\n)*?>','',content)
    cleaner = string.translate(cleaned, None, ["‘","’"])
    # python3 has to use:
    # # cleaner = cleaned.translate(str.maketrans({'‘':'','’':''}))

供参考：

>>> ord("‘") # left single smart quote
# 8216
>>> ord("’") # right single smart quote
# 8217
>>> ord("'") # single apostrophe
# 39