Существует много вопросов о python и unicode/string. Однако ни один из ответов не работает для меня.Преобразование символов не ascii в ascii из dictreader
Во-первых, файл открывается с использованием DictReader
, затем каждая строка помещается в массив. Затем значение dict отправляется для преобразования в unicode.
Шаг Один получает данные
f = csv.DictReader(open(filename,"r")
data = []
for row in f:
data.append(row)
Шаг второй получает значение строки из Dict и замены акцентов (найдено это от других сообщений)
s = data[i].get('Name')
strip_accents(s)
def strip_accents(s):
try: s = unicode(s)
except: s = s.encode('utf-8')
s = unicodedata.normalize('NFKD', s).encode('ascii','ignore')
return s
Я использую и попробовать за исключением того, что у некоторых строк есть акценты, другие - нет. То, что я не могу понять, что unicode(s)
работает с type str
, который не имеет акцентов, однако, когда type str
имеет акцентов, он не
UnicodeDecodeError: 'ascii' codec can't decode byte 0xfc in position 11: ordinal not in range(128)
я видел сообщения на этом, но ответы не работают. Когда я использую тип (ы), он говорит, что это <type 'str'>
. Так что я попытался прочитать файл как юникодом
f = csv.DictReader(codecs.open(filename,"r",encoding='utf-8'))
Но как только он идет читать
data = []
for row in f:
data.append(row)
Эта ошибка возникает:
File "F:...files.py", line 9, in files
for row in f:
File "C:\Python27\lib\csv.py", line 104, in next
row = self.reader.next()
File "C:\Python27\lib\codecs.py", line 684, in next
return self.reader.next()
File "C:\Python27\lib\codecs.py", line 615, in next
line = self.readline()
File "C:\Python27\lib\codecs.py", line 530, in readline
data = self.read(readsize, firstline=True)
File "C:\Python27\lib\codecs.py", line 477, in read
newchars, decodedbytes = self.decode(data, self.errors)
UnicodeDecodeError: 'utf8' codec can't decode byte 0xfc in position 0: invalid start byte
Является ли эта ошибка вызвана тем, как dictreader обрабатывает юникод? Как обойти это?
Другие тесты.Как @univerio отметил, один элемент, который является причиной сбоя является ISO-8859-1
Изменения открытого заявления на:
f = csv.DictReader(codecs.open(filename,"r",encoding="cp1252"))
производит несколько иной ошибку:
File "F:...files.py", line 9, in files
for row in f:
File "C:\Python27\lib\csv.py", line 104, in next
row = self.reader.next()
UnicodeEncodeError: 'ascii' codec can't encode character u'\xfc' in position 11: ordinal not in range(128)
Использования базовая открытая заявка и модификация strip_accents(), такие как:
печатает, что тип до сих пор ул и ошибки на
s = unicodedata.normalize('NFKD', s).encode('ascii','ignore')
TypeError: must be unicode, not str
на основе Python: Converting from ISO-8859-1/latin1 to UTF-8 изменения в
s = unicode(s.decode("iso-8859-1").encode('utf8'))
производит различные ошибки:
except: s = unicode(s.decode("iso-8859-1").encode('utf8'))
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc3 in position 11: ordinal not in range(128)
Это значит, что у вас плохие данные. Вы уверены, что ваш файл кодируется UTF-8? '0xFC' не является первым байтом любой допустимой последовательности UTF-8. (См. [Здесь] (http://en.wikipedia.org/wiki/UTF-8#Description).) – univerio
@univerio это терпит неудачу с этим именем Thomas C. Südhof ... это из файла csv на окнах, и предположил его utf-8. Но, возможно, это было плохое предположение. Как я могу проверить все типы, так как существуют разные имена с разными символами. – user1938107
Я имел в виду, что когда вы открываете файл с 'encoding = 'utf-8'', python не может декодировать первый байт файла, потому что он не является действительный первый байт в последовательности UTF-8. Похоже, что ваш файл может быть закодирован в Windows 1252, так как '0xFC' является шестнадцатеричным значением umlaut. Попробуйте открыть его с помощью 'encoding = 'cp1252". – univerio