utf-8 csv中文 - 用Python讀取UTF8 CSV文件





read encoding (6)


查看Latin-1 unicode表 ,我看到字符代碼00E9LATIN小 00E9 E WITH 00E9 ”。 這是樣本數據中的重音字符。 Python中的簡單測試表明,該字符的UTF-8編碼與unicode(幾乎為UTF-16 )編碼不同。

>>> u'\u00e9'
u'\xe9'
>>> u'\u00e9'.encode('utf-8')
'\xc3\xa9'
>>> 

我建議你在調用特殊的unicode_csv_reader()之前嘗試encode("UTF-8") unicode數據。 簡單地從文件讀取數據可能會隱藏編碼,因此請檢查實際的字符值。

我正在嘗試使用Python(只有法文和/或西班牙文字符)讀取帶有重音字符的CSV文件。 基於csvreader( http://docs.python.org/library/csv.html )的Python 2.5文檔,我想出了以下代碼來讀取CSV文件,因為csvreader僅支持ASCII。

def unicode_csv_reader(unicode_csv_data, dialect=csv.excel, **kwargs):
    # csv.py doesn't do Unicode; encode temporarily as UTF-8:
    csv_reader = csv.reader(utf_8_encoder(unicode_csv_data),
                            dialect=dialect, **kwargs)
    for row in csv_reader:
        # decode UTF-8 back to Unicode, cell by cell:
        yield [unicode(cell, 'utf-8') for cell in row]

def utf_8_encoder(unicode_csv_data):
    for line in unicode_csv_data:
        yield line.encode('utf-8')

filename = 'output.csv'
reader = unicode_csv_reader(open(filename))
try:
    products = []
    for field1, field2, field3 in reader:
        ...

以下是我想要讀取的CSV文件的摘錄:

0665000FS10120684,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Bleu
0665000FS10120689,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Gris
0665000FS10120687,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Vert
...

儘管我嘗試編碼/解碼為UTF-8,但我仍然遇到以下異常:

Traceback (most recent call last):
  File ".\Test.py", line 53, in <module>
    for field1, field2, field3 in reader:
  File ".\Test.py", line 40, in unicode_csv_reader
    for row in csv_reader:
  File ".\Test.py", line 46, in utf_8_encoder
    yield line.encode('utf-8', 'ignore')
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc3 in position 68: ordinal not in range(128)

我該如何解決?




使用codecs.open ,Alex Martelli建議證明對我有用。

import codecs

delimiter = ';'
reader = codecs.open("your_filename.csv", 'r', encoding='utf-8')
for line in reader:
    row = line.split(delimiter)
    # do something with your row ...



Python 2.X

有一個unicode-csv庫可以解決你的問題,並且不需要編寫任何新的與csv相關的代碼。

以下是自述文件中的一個示例:

>>> import unicodecsv
>>> from cStringIO import StringIO
>>> f = StringIO()
>>> w = unicodecsv.writer(f, encoding='utf-8')
>>> w.writerow((u'é', u'ñ'))
>>> f.seek(0)
>>> r = unicodecsv.reader(f, encoding='utf-8')
>>> row = r.next()
>>> print row[0], row[1]
é ñ

Python 3.X

在python 3中,這是由內置csv模塊開箱即用的。 看到這個例子:

import csv
with open('some.csv', newline='', encoding='utf-8') as f:
    reader = csv.reader(f)
    for row in reader:
        print(row)



到python 2.6的幫助頁面的鏈接是相同的,據我所知,從2.5開始csv模塊沒有變化(除了bug修復)。 這裡是沒有任何編碼/解碼的代碼(文件da.csv包含與變量數據相同的數據 )。 我假設你的文件應該沒有任何轉換就能正確讀取。

test.py:

## -*- coding: utf-8 -*-
#
# NOTE: this first line is important for the version b) read from a string(unicode) variable
#

import csv

data = \
"""0665000FS10120684,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Bleu
0665000FS10120689,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Gris
0665000FS10120687,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Vert"""

# a) read from a file
print 'reading from a file:'
for (f1, f2, f3) in csv.reader(open('da.csv'), dialect=csv.excel):
    print (f1, f2, f3)

# b) read from a string(unicode) variable
print 'reading from a list of strings:'
reader = csv.reader(data.split('\n'), dialect=csv.excel)
for (f1, f2, f3) in reader:
    print (f1, f2, f3)

da.csv:

0665000FS10120684,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Bleu
0665000FS10120689,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Gris
0665000FS10120687,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Vert



同時結帳在這篇文章中的答案: https://.com/a/9347871/1338557 : https://.com/a/9347871/1338557

它建議使用名為ucsv.py的庫。 用於解決Python 2.7的編碼問題(utf-8)的簡短而簡單的CSV替換。 還提供對csv.DictReader的支持

編輯 :添加我使用的示例代碼:

import ucsv as csv

#Read CSV file containing the right tags to produce
fileObj = open('awol_title_strings.csv', 'rb')
dictReader = csv.DictReader(fileObj, fieldnames = ['titles', 'tags'], delimiter = ',', quotechar = '"')
#Build a dictionary from the CSV file-> {<string>:<tags to produce>}
titleStringsDict = dict()
for row in dictReader:
    titleStringsDict.update({unicode(row['titles']):unicode(row['tags'])})



我認為ONLamp對元類編程的介紹寫得很好,並且儘管已有幾年的歷史,卻給出了很好的主題介紹。

http://www.onlamp.com/pub/a/python/2003/04/17/metaclasses.html (存檔於https://web.archive.org/web/20080206005253/http://www.onlamp.com/pub/a/python/2003/04/17/metaclasses.html

簡而言之:類是創建實例的藍圖,元類是創建類的藍圖。 可以很容易地看出,Python類中也需要是第一類對象來啟用此行為。

我自己從未寫過,但我認為在Django框架中可以看到元類最好的用法之一。 模型類使用元類方法來啟用編寫新模型或表單類的聲明式樣式。 當元類創建類時,所有成員都可以自定義類。

剩下要說的是:如果你不知道什麼是元類,那麼你不需要它們的可能性是99%。





python utf-8 csv character-encoding