Jak wyczyścić tekst z nieporządanych znaków ("krzaczków")?

Jak wyczyścić tekst z nieporządanych znaków ("krzaczków")?
lofix
  • Rejestracja:około 23 lata
  • Ostatnio:4 dni
  • Lokalizacja:Wdzydze
0

Cześć. Znajomy poprosił mnie o pomoc przy starej stronie internetowej. Przez ostatnie ćwierć wieku strona migrowała, zmieniali się opiekunowie, serwery.
Finalnie na stronie zostały w tekście "krzaczki" (chyba po nieudolnym kodowaniu na UTF-8 z innego).
Próbowałem w ten sposób, ale niestety z niezbyt wymiernym efektem:

Kopiuj
import re

def napraw_bledy_znakow(text):
    zamiana_map = {
        'Âą': 'ą',  # "Âą" na "ą"
        'Âę': 'ę',  # "Âę" na "ę"
        'Âś': 'ś',  # "Âś" na "ś"
        'Âż': 'ż',  # "Âż" na "ż"
        'Âź': 'ź',  # "Âź" na "ź"
        'Âł': 'ł',  # "Âł" na "ł"
        'Âń': 'ń',  # "Âń" na "ń"
        'Âź': 'ź',  # "Âź" na "ź"
        'ó': 'ó',  # "ó" na "ó"
        'Ç': 'ć',  # "Ç" na "ć"
        'Ä': 'ą',  # "Ä" na "ą"
        'ñ': 'ń',  # "ñ" na "ń"
        'Ù': 'u',  # "Ù" na "u"
        'é': 'é',  # "é" na "é"
        'á': 'á',  # "á" na "á"
        'á': 'á',  # "á" na "á"
        'Ñ': 'Ñ',  # 
        'ò': 'ò'   # 
    }
    
    for wrong, correct in zamiana_map.items():
        text = text.replace(wrong, correct)

    text = re.sub(r'\s+', ' ', text)
    text = text.strip()

    return text


input_text = """JUÂŻ NIE... ZBIERAMY NA LECZENIE ALICJI... :-)

Ostatni dzieĂą lata 2009 moÂżna uznaĂŚ za oficjalnÂą datĂŞ zakoĂączenia naszej akcji pomocy Alicji :-)
Alicja zakoùczy³a z sukcesem proces leczenia - jest to wspania³a wiadomoœÌ dla wszystkich ludzi, którzy zaanga¿owali siê w nasz¹ akcjê
"""

output_text = napraw_bledy_znakow(input_text)
print("Naprawiony tekst:")
print(output_text)

Tutaj dorzucam fragment tekstu ze strony, który staram się oczyścić
https://pastebin.com/VNNvWnCv


Pozdrawiam. Karol
edytowany 2x, ostatnio: lofix
Riddle
Administrator
  • Rejestracja:prawie 15 lat
  • Ostatnio:4 minuty
  • Lokalizacja:Laska, z Polski
  • Postów:10056
0

Należałoby ustalić w jakim kodowaniu są wyświetlane treści i poinstruować przeglądarkę o tym kodowaniu, najpewniej przez tag <meta>. Kodowanie użyte te 25 lat temu najprawdopodobniej nadal jest wspierane, myślę że można go użyć. Wątpię zeby przeglądarki przestały go obsługiwać. Podasz link do strony?

edytowany 1x, ostatnio: Riddle
lofix
  • Rejestracja:około 23 lata
  • Ostatnio:4 dni
  • Lokalizacja:Wdzydze
0

@Riddle: hej. Dzięki za odzew. Próbowałem również i tego. Sprawdzałem kodowanie pliku i jest w UTF-8. Te "artefakty" są w tym pliku na stałe. Po prostu w którymś momencie przekodowano to na utf-8 razem z tymu krzakami.
Nie mam dużej wiedzy w Pythonie i posiłkowałem się odpowiedziami AI. Próba zmiany kodowania była pierwszą rzeczą jaką próbowałem zrobić.

Na webarchive jest kopia tej strony bez "zanieczyszczeń", ale średnio mi się uśmiecha pobierać kilkadziesiąt (kilkaset) plików html i potem czyścić z tego co webarchive zapisuje do pliku.

Strona: https://harcczat.org.pl/alicia/

Tam podobno nadal wchodzą "amazonki" w celach edukacyjnych i proszono mnie o naprawę tego.


Pozdrawiam. Karol
edytowany 2x, ostatnio: lofix
Riddle
Administrator
  • Rejestracja:prawie 15 lat
  • Ostatnio:4 minuty
  • Lokalizacja:Laska, z Polski
  • Postów:10056
0
lofix napisał(a):

@Riddle: hej. Dzięki za odzew. Próbowałem również i tego. Sprawdzałem kodowanie pliku i jest w UTF-8. Te "artefakty" są w tym pliku na stałe. Po prostu w którymś momencie przekodowano to na utf-8 razem z tymu krzakami.

Prawdopodobnie przekodowano to niepoprawnie 😕 Masz dostęp do wcześniejszych wersji kodu źródłowego strony?

lofix
  • Rejestracja:około 23 lata
  • Ostatnio:4 dni
  • Lokalizacja:Wdzydze
0
Riddle napisał(a):

Prawdopodobnie przekodowano to niepoprawnie 😕 Masz dostęp do wcześniejszych wersji kodu źródłowego strony?

Tylko na webarchive 😕


Pozdrawiam. Karol
edytowany 2x, ostatnio: lofix
Riddle
Administrator
  • Rejestracja:prawie 15 lat
  • Ostatnio:4 minuty
  • Lokalizacja:Laska, z Polski
  • Postów:10056
0
lofix napisał(a):
Riddle napisał(a):

Prawdopodobnie przekodowano to niepoprawnie 😕 Masz dostęp do wcześniejszych wersji kodu źródłowego strony?

Tylko na webarchive 😕

Podeślesz link? Nie mogę znaleźć w archiwum.

lofix
  • Rejestracja:około 23 lata
  • Ostatnio:4 dni
  • Lokalizacja:Wdzydze
0
Riddle napisał(a):

Podeślesz link? Nie mogę znaleźć w archiwum.

https://web.archive.org/web/20160322212422/http://www.harcczat.pl/alicia/alicia.html?id=0

Wtedy strona była w domenie *.pl, a nie *.org.pl

Btw próbowałem też podmieniać wyrazy z pomocą słownika https://sjp.pl/download ale nie pykło.


Pozdrawiam. Karol
edytowany 1x, ostatnio: lofix
Riddle
Administrator
  • Rejestracja:prawie 15 lat
  • Ostatnio:4 minuty
  • Lokalizacja:Laska, z Polski
  • Postów:10056
0

Oryginalne kodowanie to zdaje się było ISO-8859-2. Wydaje się też, że strona została stworzona przy pomocy narzędzia WebSite PRO 4.3 https://www.dobreprogramy.pl/website-pro,program,windows,6628202687461505

Czy ta strona na której pracujesz, to jest statyczna strona? Same HTML? Bez żadnych danych dodawanych z CMS, coś takiego?

edytowany 2x, ostatnio: Riddle
lofix
  • Rejestracja:około 23 lata
  • Ostatnio:4 dni
  • Lokalizacja:Wdzydze
0
Riddle napisał(a):

Oryginalne kodowanie to zdaje się było ISO-8859-2. Wydaje się też, że strona została stworzona przy pomocy narzędzia WebSite PRO 4.3 https://www.dobreprogramy.pl/website-pro,program,windows,6628202687461505

Czy ta strona na której pracujesz, to jest statyczna strona? Same HTML? Bez żadnych danych dodawanych z CMS, coś takiego?

Mam dostęp do tych plików html via ftp, edytuję albo w Notepad++, albo pod linuksem w edytorze pod konsolą.
Ten co pisał tę stronę (o tej Alici) użył tego edytora, wiem bo w nagłówku jest (swoją drogą ten website niezłą kaszankę zrobił w htmlu :))


Pozdrawiam. Karol
Spine
  • Rejestracja:prawie 22 lata
  • Ostatnio:12 minut
  • Postów:6628
1

Twój słownik ma błędy.

np.

Kopiuj
'Ç': 'ć',  # "Ç" na "ć"
'Âę': 'ę',  # "Âę" na "ę"

Wystarczy zajrzeć w przykładowy tekst:

Kopiuj
uznaĂŚ // ostatni znak to ć
siĂŞ // ostatni znak to ę

Jak to się ma do Twojego słownika? Powinno w nim być tak:

Kopiuj
'ĂŚ': 'ć', 
'ĂŞ': 'ę', 

Pewnie ChatGPT generował kod i Ci sknocił słownik....


🕹️⌨️🖥️🖱️🎮
edytowany 3x, ostatnio: Spine
lofix
  • Rejestracja:około 23 lata
  • Ostatnio:4 dni
  • Lokalizacja:Wdzydze
1
Spine napisał(a):

Twój słownik ma błędy.

@Spine bardzo Ci dziękuję za naprowadzenie. Rzeczywiście. ustalę sam słownik do podmiany i powinno pójść z górki.

@Riddle Tobie również dziękuję.

Pozdrawiam


Pozdrawiam. Karol
edytowany 2x, ostatnio: Riddle
Marius.Maximus
  • Rejestracja:ponad 14 lat
  • Ostatnio:około 10 godzin
  • Postów:2068
0

@lofix: jak masz wątpliwości co do kodowania pliku to możesz sciagnac binarnie na lokalny komputer i szybko sprawdzić w notepad++
które kodowanie jest odpowiednie dla Twojego pliku i wtedy automatem (iconv) zamieniasz wszystko na UTF8, a jak nie znajdziesz pary (Twoj plik + kodowanie) to dopiero wtedy "słownik" który naprawia błędy i tez finalnie zamieniasz na UTF8

stare pliki jak mają długa historie i dotykane były na Windows potrafią być w kilku kodowaniach :D


--
Nie przyjmuję reklamacji za moje rady, używasz na własną odpowiedzialność.
Programowanie bez formatowania to jak chodzenie ze spodniami spuszczonymi na kostki. Owszem da się ale po pierwsze nie wygodne, po drugie nieprzyzwoicie wygląda.
Przed zaczęciem nowego wątku przeczytam problem XY
Kliknij, aby dodać treść...

Pomoc 1.18.8

Typografia

Edytor obsługuje składnie Markdown, w której pojedynczy akcent *kursywa* oraz _kursywa_ to pochylenie. Z kolei podwójny akcent **pogrubienie** oraz __pogrubienie__ to pogrubienie. Dodanie znaczników ~~strike~~ to przekreślenie.

Możesz dodać formatowanie komendami , , oraz .

Ponieważ dekoracja podkreślenia jest przeznaczona na linki, markdown nie zawiera specjalnej składni dla podkreślenia. Dlatego by dodać podkreślenie, użyj <u>underline</u>.

Komendy formatujące reagują na skróty klawiszowe: Ctrl+B, Ctrl+I, Ctrl+U oraz Ctrl+S.

Linki

By dodać link w edytorze użyj komendy lub użyj składni [title](link). URL umieszczony w linku lub nawet URL umieszczony bezpośrednio w tekście będzie aktywny i klikalny.

Jeżeli chcesz, możesz samodzielnie dodać link: <a href="link">title</a>.

Wewnętrzne odnośniki

Możesz umieścić odnośnik do wewnętrznej podstrony, używając następującej składni: [[Delphi/Kompendium]] lub [[Delphi/Kompendium|kliknij, aby przejść do kompendium]]. Odnośniki mogą prowadzić do Forum 4programmers.net lub np. do Kompendium.

Wspomnienia użytkowników

By wspomnieć użytkownika forum, wpisz w formularzu znak @. Zobaczysz okienko samouzupełniające nazwy użytkowników. Samouzupełnienie dobierze odpowiedni format wspomnienia, zależnie od tego czy w nazwie użytkownika znajduje się spacja.

Znaczniki HTML

Dozwolone jest używanie niektórych znaczników HTML: <a>, <b>, <i>, <kbd>, <del>, <strong>, <dfn>, <pre>, <blockquote>, <hr/>, <sub>, <sup> oraz <img/>.

Skróty klawiszowe

Dodaj kombinację klawiszy komendą notacji klawiszy lub skrótem klawiszowym Alt+K.

Reprezentuj kombinacje klawiszowe używając taga <kbd>. Oddziel od siebie klawisze znakiem plus, np <kbd>Alt+Tab</kbd>.

Indeks górny oraz dolny

Przykład: wpisując H<sub>2</sub>O i m<sup>2</sup> otrzymasz: H2O i m2.

Składnia Tex

By precyzyjnie wyrazić działanie matematyczne, użyj składni Tex.

<tex>arcctg(x) = argtan(\frac{1}{x}) = arcsin(\frac{1}{\sqrt{1+x^2}})</tex>

Kod źródłowy

Krótkie fragmenty kodu

Wszelkie jednolinijkowe instrukcje języka programowania powinny być zawarte pomiędzy obróconymi apostrofami: `kod instrukcji` lub ``console.log(`string`);``.

Kod wielolinijkowy

Dodaj fragment kodu komendą . Fragmenty kodu zajmujące całą lub więcej linijek powinny być umieszczone w wielolinijkowym fragmencie kodu. Znaczniki ``` lub ~~~ umożliwiają kolorowanie różnych języków programowania. Możemy nadać nazwę języka programowania używając auto-uzupełnienia, kod został pokolorowany używając konkretnych ustawień kolorowania składni:

```javascript
document.write('Hello World');
```

Możesz zaznaczyć również już wklejony kod w edytorze, i użyć komendy  by zamienić go w kod. Użyj kombinacji Ctrl+`, by dodać fragment kodu bez oznaczników języka.

Tabelki

Dodaj przykładową tabelkę używając komendy . Przykładowa tabelka składa się z dwóch kolumn, nagłówka i jednego wiersza.

Wygeneruj tabelkę na podstawie szablonu. Oddziel komórki separatorem ; lub |, a następnie zaznacz szablonu.

nazwisko;dziedzina;odkrycie
Pitagoras;mathematics;Pythagorean Theorem
Albert Einstein;physics;General Relativity
Marie Curie, Pierre Curie;chemistry;Radium, Polonium

Użyj komendy by zamienić zaznaczony szablon na tabelkę Markdown.

Lista uporządkowana i nieuporządkowana

Możliwe jest tworzenie listy numerowanych oraz wypunktowanych. Wystarczy, że pierwszym znakiem linii będzie * lub - dla listy nieuporządkowanej oraz 1. dla listy uporządkowanej.

Użyj komendy by dodać listę uporządkowaną.

1. Lista numerowana
2. Lista numerowana

Użyj komendy by dodać listę nieuporządkowaną.

* Lista wypunktowana
* Lista wypunktowana
** Lista wypunktowana (drugi poziom)

Składnia Markdown

Edytor obsługuje składnię Markdown, która składa się ze znaków specjalnych. Dostępne komendy, jak formatowanie , dodanie tabelki lub fragmentu kodu są w pewnym sensie świadome otaczającej jej składni, i postarają się unikać uszkodzenia jej.

Dla przykładu, używając tylko dostępnych komend, nie możemy dodać formatowania pogrubienia do kodu wielolinijkowego, albo dodać listy do tabelki - mogłoby to doprowadzić do uszkodzenia składni.

W pewnych odosobnionych przypadkach brak nowej linii przed elementami markdown również mógłby uszkodzić składnie, dlatego edytor dodaje brakujące nowe linie. Dla przykładu, dodanie formatowania pochylenia zaraz po tabelce, mogłoby zostać błędne zinterpretowane, więc edytor doda oddzielającą nową linię pomiędzy tabelką, a pochyleniem.

Skróty klawiszowe

Skróty formatujące, kiedy w edytorze znajduje się pojedynczy kursor, wstawiają sformatowany tekst przykładowy. Jeśli w edytorze znajduje się zaznaczenie (słowo, linijka, paragraf), wtedy zaznaczenie zostaje sformatowane.

  • Ctrl+B - dodaj pogrubienie lub pogrub zaznaczenie
  • Ctrl+I - dodaj pochylenie lub pochyl zaznaczenie
  • Ctrl+U - dodaj podkreślenie lub podkreśl zaznaczenie
  • Ctrl+S - dodaj przekreślenie lub przekreśl zaznaczenie

Notacja Klawiszy

  • Alt+K - dodaj notację klawiszy

Fragment kodu bez oznacznika

  • Alt+C - dodaj pusty fragment kodu

Skróty operujące na kodzie i linijkach:

  • Alt+L - zaznaczenie całej linii
  • Alt+, Alt+ - przeniesienie linijki w której znajduje się kursor w górę/dół.
  • Tab/⌘+] - dodaj wcięcie (wcięcie w prawo)
  • Shit+Tab/⌘+[ - usunięcie wcięcia (wycięcie w lewo)

Dodawanie postów:

  • Ctrl+Enter - dodaj post
  • ⌘+Enter - dodaj post (MacOS)