Чтение файла CSV UTF8 с помощью Python

Я пытаюсь прочитать CSV-файл с акцентированными символами с Python (только французские и/или испанские символы). На основе документации Python 2.5 для csvreader (http://docs.python.org/library/csv.html), я придумал следующий код для чтения CSV-файла, так как csvreader поддерживает только 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:

        ...


Ниже приведен экстракт CSV-файла, который я пытаюсь прочитать:



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

...


хотя я пытаюсь кодировать / декодировать в UTF-8, я все еще получение следующего исключения:



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)


как это исправить?

1017   7  

7 ответов:

The .encode метод применяется к строке Юникода, чтобы сделать байт-строку; но вы вызываете его на байт-строку вместо этого... неправильно! Посмотрите на codecs модуль в стандартной библиотеке и codecs.open в частности, для улучшения общих решений для чтения текстовых файлов в кодировке UTF-8. Однако, для csv модуль в частности, вам нужно передать данные utf-8, и это то, что вы уже получаете, поэтому ваш код может быть намного проще:

import csv

def unicode_csv_reader(utf8_data, dialect=csv.excel, **kwargs):
    csv_reader = csv.reader(utf8_data, dialect=dialect, **kwargs)
    for row in csv_reader:
        yield [unicode(cell, 'utf-8') for cell in row]

filename = 'da.csv'
reader = unicode_csv_reader(open(filename))
for field1, field2, field3 in reader:
  print field1, field2, field3

PS: Если это оказывается, что ваши входные данные находятся не в utf-8, а, например, в ISO-8859-1, тогда вам нужно "перекодирование" (если вы заинтересованы в использовании utf-8 в csv уровень модуля), формы line.decode('whateverweirdcodec').encode('utf-8') -- но, вероятно, вы можете просто использовать имя существующей кодировке в yield строка в моем коде выше, вместо 'utf-8', а csv на самом деле будет просто отлично с ISO-8859-* закодированные bytestrings.

105  
2009-05-24 20:32:55

Python 2.X

есть unicode-csv библиотека, которая должна решить ваши проблемы, с дополнительным преимуществом не навинга для написания любого нового кода, связанного с csv.

вот пример из их readme:

>>> 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

в python 3 это поддерживается из коробки встроенным csv модуль. См. этот пример:

import csv
with open('some.csv', newline='', encoding='utf-8') as f:
    reader = csv.reader(f)
    for row in reader:
        print(row)
59  
2016-04-02 00:12:23

также проверьте ответ в этом посте: https://stackoverflow.com/a/9347871/1338557

это предполагает использование библиотеки под названием ucsv.py. короткая и простая замена для CSV, написанного для решения проблемы кодирования (utf-8) для Python 2.7. Также предусмотрена поддержка csv.Диктофон

Edit: добавление примера кода, который я использовал:

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'])})
3  
2017-05-23 13:31:19

используя codecs.open как предложил Алекс Мартелли, оказалось полезным для меня.

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 ...
2  
2017-02-14 20:44:41

ссылка на страницу справки одинакова для python 2.6 и, насколько я знаю, не было никаких изменений в модуле csv с 2.5 (кроме исправлений ошибок). Вот код, который просто работает без кодирования / декодирования (файл da.csv содержит те же данные, что и переменная данные). Я предполагаю, что ваш файл должен быть правильно прочитан без каких-либо преобразований.

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)

да.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
1  
2009-05-24 21:29:41

смотреть на!--9-->Latin-1 таблица Юникод, Я вижу код символа 00E9"ЛАТИНСКАЯ СТРОЧНАЯ БУКВА Е С ОСТРЫМ". Это символ с ударением в образце данных. Простой тест в Python видно, что UTF-8 кодировка для этого символа отличается от Юникода (почти UTF-16) кодирование.

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

Я предлагаю вам попробовать encode("UTF-8") данные unicode перед вызовом специального unicode_csv_reader(). Простое чтение данных из файла может скрыть кодировка, поэтому проверьте фактические значения символов.

0  
2009-05-24 19:54:37

Если вы хотите прочитать CSV-файл с кодировкой utf-8, минималистичный подход, который я рекомендую вам использовать что-то вроде этого:

        with open(file_name, encoding="utf8") as csv_file:

С этим утверждением вы можете использовать позже читатель CSV для работы.

0  
2018-08-16 00:55:22

Comments

    Ничего не найдено.
Click here to cancel reply.