Skip to main content
 首页 » 编程设计

Python googletrans编码奇怪的字符

2024年11月24日8mayingbao

我有一个用户界面,它采用德语等语言并将其翻译成英语句子。

# -*- coding: utf-8 -*- 
from googletrans import Translator 
 
def tr(s) 
  translator =  Translator() 
  return translator.translate(wordDE,src='de',dest='en').text 

有时我会从翻译那里听到奇怪的字符。 例如:

DE:Pascal 和 PHP sind Programmierspra​​chen für Softwareentwickler und Ingenieure。

googletrans EN(utf8): Pascal 和 PHP 是面向软件开发人员和工程师的编程语言。

这是字符串在 utf8 格式中的样子。当我用 windows 文本编辑器打开它时,它看起来像这样:

googletrans EN:Pascal 和 PHP 是面向软件开发人员和工程师的编程语言。

如您所见,在“for software”之前有 2 个奇怪的字符,由 translate() 函数返回。这些字符也在“googletrans EN(utf8)”字符串中。您看不到它们,但是当您使用箭头键跳过字符串时,光标不会为“for software”移动 2 次。所以角色在那里但看不见。 (也许你不能在这里做,因为字符串已经从网站上格式化了)

有时还会出现翻译后看不到的其他字符。

我需要删除这些字符。我不能只使用 ascii,因为我还需要在 txt 文件中保护德语字符,如“ö,ä,ü,ß”。这可能只是一个我不明白的编码问题,还是那里出了什么问题?

请您参考如下方法:

翻译后的文本包含两个嵌入的零宽度空格 (\u200b') 字符。

>>> res = t.translate(wordDE, src='de', dest='en').text 
>>> res 
'Pascal and PHP are programming languages \u200b\u200bfor software developers and engineers.' 

文本编辑器似乎将文件解码为 cp1252(或类似的 MS 8 位编码),因此 mojibake :

>>> res.encode('utf-8').decode('cp1252') 
'Pascal and PHP are programming languages ​​for software developers and engineers.' 

这是一个 known bug是谷歌翻译 API。等待修复,您可以使用 str.replace创建一个不包含这些字符的新字符串:

>>> new_res = res.replace('\u200b', '') 
>>> new_res 
'Pascal and PHP are programming languages for software developers and engineers.'