[英]Python issues on character encoding
我正在开发一个程序,该程序需要获取两个文件并将其合并,然后将联合文件写入一个新文件。 问题是输出文件中包含像\\xf0
这样的字符,或者如果我更改了某些编码,结果就是类似\(
东西。 输入文件在utf8中进行了编码。 我如何在输出文件中打印字符,如"è"
或"ò"
和"-"
我已经完成了以下代码:
import codecs
import pandas as pd
import numpy as np
goldstandard = "..\\files\file1.csv"
tweets = "..\\files\\file2.csv"
with codecs.open(tweets, "r", encoding="utf8") as t:
tFile = pd.read_csv(t, delimiter="\t",
names=['ID', 'Tweet'],
quoting=3)
IDs = tFile['ID']
tweets = tFile['Tweet']
dict = {}
for i in range(len(IDs)):
dict[np.int64(IDs[i])] = [str(tweets[i])]
with codecs.open(goldstandard, "r", encoding="utf8") as gs:
for line in gs:
columns = line.split("\t")
index = np.int64(columns[0])
rowValue = dict[index]
rowValue.append([columns[1], columns[2], columns[3], columns[5]])
dict[index] = rowValue
import pprint
pprint.pprint(dict)
ndic = pprint.pformat(dict, indent=4)
f = codecs.open("out.csv", "w", "utf8")
f.write(ndic)
f.close()
这是输出示例
desired: Beyoncè
obtained: Beyonc\xe9
您正在此处生成Python字符串文字 :
import pprint
pprint.pprint(dict)
ndic = pprint.pformat(dict, indent=4)
漂亮打印对于产生调试输出很有用。 对象通过repr()
传递,以使非可打印和非ASCII字符易于区分和再现:
>>> import pprint
>>> value = u'Beyonc\xe9'
>>> value
u'Beyonc\xe9'
>>> print value
Beyoncé
>>> pprint.pprint(value)
u'Beyonc\xe9'
é
字符在Latin-1范围内,在ASCII范围之外,因此用在Python代码中使用时会再次产生相同值的语法表示。
如果要将实际的字符串值写到输出文件中,请不要使用pprint
。 在这种情况下,您必须自己进行格式化。
此外,pandas数据帧将保存字节串 ,而不是unicode
对象,因此此时您仍具有未解码的UTF-8数据。
就个人而言,我什至不用在这里使用熊猫。 您似乎想写CSV数据,因此我简化了代码,改用csv
模块,而且我实际上并不在这里解码UTF-8(对于这种情况,这是安全的,因为输入和输出都是完全使用UTF-8):
import csv
tweets = {}
with open(tweets, "rb") as t:
reader = csv.reader(t, delimiter='\t')
for id_, tweet in reader:
tweets[id_] = tweet
with open(goldstandard, "rb") as gs, open("out.csv", 'wb') as outf:
reader = csv.reader(gs, delimiter='\t')
writer = csv.reader(outf, delimiter='\t')
for columns in reader:
index = columns[0]
writer.writerow([tweets[index]] + columns[1:4] + [columns[5])
请注意,您确实要避免将dict
用作变量名。 它掩盖了内置类型,我改用tweets
。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.