¿Cómo puedo eliminar las secuencias de escape ANSI de una cadena en Python?

Bórralos con una expresión regular:

import re

# 7-bit C1 ANSI sequences
ansi_escape = re.compile(r'''
    \x1B  # ESC
    (?:   # 7-bit C1 Fe (except CSI)
        [@-Z\\-_]
    |     # or [ for CSI, followed by a control sequence
        \[
        [0-?]*  # Parameter bytes
        [ -/]*  # Intermediate bytes
        [@-~]   # Final byte
    )
''', re.VERBOSE)
result = ansi_escape.sub('', sometext)

o, sin la VERBOSEbandera, en forma condensada:

ansi_escape = re.compile(r'\x1B(?:[@-Z\\-_]|\[[0-?]*[ -/]*[@-~])')
result = ansi_escape.sub('', sometext)

Manifestación:

>>> import re
>>> ansi_escape = re.compile(r'\x1B(?:[@-Z\\-_]|\[[0-?]*[ -/]*[@-~])')
>>> sometext = 'ls\r\n\x1b[00m\x1b[01;31mexamplefile.zip\x1b[00m\r\n\x1b[01;31m'
>>> ansi_escape.sub('', sometext)
'ls\r\nexamplefile.zip\r\n'

La expresión regular anterior cubre todas las secuencias de escape ANSI C1 de 7 bits, pero no los abridores de secuencia de escape C1 de 8 bits. Estos últimos nunca se utilizan en el mundo UTF-8 actual, donde el mismo rango de bytes tiene un significado diferente.

Si también necesita cubrir los códigos de 8 bits (y, presumiblemente, está trabajando con bytesvalores), entonces la expresión regular se convierte en un patrón de bytes como este:

# 7-bit and 8-bit C1 ANSI sequences
ansi_escape_8bit = re.compile(br'''
    (?: # either 7-bit C1, two bytes, ESC Fe (omitting CSI)
        \x1B
        [@-Z\\-_]
    |   # or a single 8-bit byte Fe (omitting CSI)
        [\x80-\x9A\x9C-\x9F]
    |   # or CSI + control codes
        (?: # 7-bit CSI, ESC [ 
            \x1B\[
        |   # 8-bit CSI, 9B
            \x9B
        )
        [0-?]*  # Parameter bytes
        [ -/]*  # Intermediate bytes
        [@-~]   # Final byte
    )
''', re.VERBOSE)
result = ansi_escape_8bit.sub(b'', somebytesvalue)

que se puede condensar hasta

# 7-bit and 8-bit C1 ANSI sequences
ansi_escape_8bit = re.compile(
    br'(?:\x1B[@-Z\\-_]|[\x80-\x9A\x9C-\x9F]|(?:\x1B\[|\x9B)[0-?]*[ -/]*[@-~])'
)
result = ansi_escape_8bit.sub(b'', somebytesvalue)

Para más información, ver:

• descripción general de los códigos de escape ANSI en Wikipedia
• Norma ECMA-48, 5.ª edición (especialmente las secciones 5.3 y 5.4)

El ejemplo que proporcionó contiene 4 códigos CSI (Introductor de secuencia de control), marcados por los bytes de apertura \x1B[o ESC[ , y cada uno contiene un código SGR (Select Graphic Rendition), porque cada uno termina en m. Los parámetros (separados por ;punto y coma) entre ellos le indican a su terminal qué atributos de representación gráfica usar. Entonces, para cada \x1B[....msecuencia, los 3 códigos que se utilizan son:

• 0 (o 00en este ejemplo): restablecer , deshabilitar todos los atributos
• 1 (o 01en el ejemplo): negrita
• 31: rojo (primer plano)

Sin embargo, ANSI es más que solo códigos CSI SGR. Solo con CSI también puedes controlar el cursor, borrar líneas o toda la pantalla, o desplazarte (siempre que el terminal lo admita, por supuesto). Y más allá de CSI, hay códigos para seleccionar fuentes alternativas ( SS2y SS3), enviar 'mensajes privados' (piense en contraseñas), comunicarse con el terminal ( DCS), el sistema operativo ( OSC) o la aplicación misma ( APC, una forma para que las aplicaciones agregar códigos de control personalizados al flujo de comunicación) y códigos adicionales para ayudar a definir cadenas ( SOS, Inicio de cadena, STTerminador de cadena) o para restablecer todo a un estado base ( RIS). Las expresiones regulares anteriores cubren todos estos.

Tenga en cuenta que la expresión regular anterior solo elimina los códigos ANSI C1, sin embargo, y no ningún dato adicional que esos códigos puedan estar marcando (como las cadenas enviadas entre un abridor OSC y el código ST de terminación). Eliminarlos requeriría trabajo adicional fuera del alcance de esta respuesta.

Feb 04 '2013 19:02 Martijn Pieters