¿Cómo puedo eliminar caracteres que no sean ASCII pero dejar puntos y espacios usando Python?

Estoy trabajando con un archivo .txt. Quiero una cadena del texto del archivo sin caracteres que no sean ASCII. Sin embargo, quiero dejar espacios y puntos. En la actualidad, también los estoy quitando. Aquí está el código:

def onlyascii(char):
    if ord(char) < 48 or ord(char) > 127: return ''
    else: return char

def get_my_string(file_path):
    f=open(file_path,'r')
    data=f.read()
    f.close()
    filtered_data=filter(onlyascii, data)
    filtered_data = filtered_data.lower()
    return filtered_data

¿Cómo debo modificar onlyascii () para dejar espacios y puntos? Imagino que no es demasiado complicado, pero no puedo entenderlo.

Puede filtrar todos los caracteres de la cadena que no se pueden imprimir usando string.printable , así:

>>> s = "some\x00string. with\x15 funny characters"
>>> import string
>>> printable = set(string.printable)
>>> filter(lambda x: x in printable, s)
'somestring. with funny characters'

string.printable en mi máquina contiene:

0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ
!"#$%&\'()*+,-./:;<=>?@[\\]^_`{|}~ \t\n\r\x0b\x0c

EDITAR: En Python 3, el filtro devolverá un iterable. La forma correcta de obtener un respaldo de cadena sería:

''.join(filter(lambda x: x in printable, s))

Una forma fácil de cambiar a un códec diferente es utilizando encode () o decode (). En su caso, desea convertir a ASCII e ignorar todos los símbolos que no son compatibles. Por ejemplo, la letra sueca å no es un carácter ASCII:

    >>>s = u'Good bye in Swedish is Hej d\xe5'
    >>>s = s.encode('ascii',errors='ignore')
    >>>print s
    Good bye in Swedish is Hej d

Editar:

Python3: str -> bytes -> str

>>>"Hej då".encode("ascii", errors="ignore").decode()
'hej d'

Python2: unicode -> str -> unicode

>>> u"hej då".encode("ascii", errors="ignore").decode()
u'hej d'

Python2: str -> unicode -> str (decodificar y codificar en orden inverso)

>>> "hej d\xe5".decode("ascii", errors="ignore").encode()
'hej d'

Según @artfulrobot, esto debería ser más rápido que filter y lambda:

re.sub(r'[^\x00-\x7f]',r'', your-non-ascii-string) 

Vea más ejemplos aquí http://stackoverflow.com/questions/20078816/replace-non-ascii-characters-with-a-single-space/20079244#20079244

Tu pregunta es ambigua; las dos primeras oraciones juntas implican que cree que el espacio y el "punto" son caracteres no ASCII. Esto es incorrecto. Todos los caracteres tales que ord (char) <= 127 son caracteres ASCII. Por ejemplo, ¡su función excluye estos caracteres! "# $% & \ '() * +, -. / Pero incluye varios otros, por ejemplo, [] {}.

Por favor, retroceda, piense un poco y edite su pregunta para decirnos qué está tratando de hacer, sin mencionar la palabra ASCII, y por qué cree que los caracteres tales como ord (char)> = 128 son ignorables. Además: ¿qué versión de Python? ¿Cuál es la codificación de sus datos de entrada?

Tenga en cuenta que su código lee todo el archivo de entrada como una sola cadena, y su comentario ("gran solución") a otra respuesta implica que no le importan las nuevas líneas en sus datos. Si su archivo contiene dos líneas como esta:

this is line 1
this is line 2

el resultado sería 'this is line 1this is line 2'... ¿es eso lo que realmente quieres?

Una mejor solución incluiría:

1. un nombre mejor para la función de filtro que onlyascii

2. Reconocimiento de que una función de filtro simplemente necesita devolver un valor veraz si se quiere retener el argumento:

   def filter_func(char):
       return char == '\n' or 32 <= ord(char) <= 126
   # and later:
   filtered_data = filter(filter_func, data).lower()

Puede utilizar el siguiente código para eliminar letras que no estén en inglés:

import re
str = "123456790 ABC#%? .(朱惠英)"
result = re.sub(r'[^\x00-\x7f]',r'', str)
print(result)

Esto volverá

123456790 ABC #%? . ()

Si desea caracteres ascii imprimibles, probablemente debería corregir su código para:

if ord(char) < 32 or ord(char) > 126: return ''

esto es equivalente a string.printable(respuesta de @jterrace), excepto por la ausencia de retornos y pestañas ('\ t', '\ n', '\ x0b', '\ x0c' y '\ r') pero no corresponde a el rango de tu pregunta

Trabajando en Fluent Python (Ramalho) - muy recomendable. Enumere las frases sencillas de comprensión inspiradas en el Capítulo 2:

onlyascii = ''.join([s for s in data if ord(s) < 127])
onlymatch = ''.join([s for s in data if s in
              'ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz'])