用 Python 读取 UTF8 CSV 文件

Question

我正在尝试使用 Python（仅限法语和/或西班牙语字符）读取带有重音字符的 CSV 文件。 基于 csvreader ( http://docs.python.org/library/csv.html ) 的 Python 2.5 文档，我想出了以下代码来读取 CSV 文件，因为 csvreader 仅支持 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:
        ...

以下是我正在尝试阅读的 CSV 文件的摘录：

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
...

即使我尝试编码/解码为 UTF-8，我仍然收到以下异常：

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)

我该如何解决？

Answer 1

.encode方法应用于 Unicode 字符串以生成字节字符串； 但你是在字节串上调用它......错误的方式！ 查看标准库中的codecs模块，特别是codecs.open以获得更好的通用解决方案，用于读取 UTF-8 编码的文本文件。 但是，特别是对于csv模块，您需要传入 utf-8 数据，这就是您已经获得的数据，因此您的代码可以简单得多：

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：如果事实证明您的输入数据不是 utf-8，而是例如 ISO-8859-1，那么您确实需要“转码”（如果您热衷于在csv模块级别使用 utf-8 )，形式为line.decode('whateverweirdcodec').encode('utf-8') -- 但可能你可以在上面代码的yield行中使用现有编码的名称，而不是'utf-8' ，因为csv实际上对 ISO-8859-* 编码的字节串很好。

Answer 2

蟒蛇2.X

有一个unicode-csv库应该可以解决您的问题，另外还有一个好处是不需要编写任何新的 csv 相关代码。

这是他们自述文件中的一个示例：

>>> 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

蟒蛇 3.X

在 python 3 中，这是由内置的csv模块开箱即用的支持。 看这个例子：

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

Answer 3

如果您想读取编码为 utf-8 的 CSV 文件，我建议您使用以下简单方法：

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

通过该语句，您可以稍后使用 CSV 阅读器进行处理。

Answer 4

还可以查看这篇文章中的答案： https : //stackoverflow.com/a/9347871/1338557

它建议使用名为 ucsv.py 的库。 为解决 Python 2.7 的编码问题 (utf-8) 而编写的 CSV 的简短而简单的替代品。 还提供对 csv.DictReader 的支持

编辑：添加我使用的示例代码：

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'])})

Answer 5

事实证明，按照 Alex Martelli 的建议使用codecs.open对我很有用。

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 ...

Answer 6

值得注意的是，如果没有任何效果，您可能已经忘记了逃避自己的道路。
例如，这段代码：

f = open("C:\Some\Path\To\file.csv")

会导致错误：

SyntaxError: (unicode error) 'unicodeescape' 编解码器无法解码位置 2-3 的字节：截断的 \\UXXXXXXXX 转义

要修复，只需执行以下操作：

f = open("C:\\Some\\Path\\To\\file.csv")

Answer 7

帮助页面的链接对于 python 2.6 是相同的，据我所知，自 2.5 以来 csv 模块没有任何变化（除了错误修复）。 这是无需任何编码/解码即可工作的代码（文件 da.csv 包含与变量data相同的数据）。 我假设您的文件应该可以正确读取而无需任何转换。

测试.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

Answer 8

在另一台服务器上遇到同样的问题，但意识到语言环境混乱。

export LC_ALL="en_US.UTF-8"

解决了问题

Answer 9

我建议您在打开文件时使用以下代码。

open('/content/sasan.csv' , 'r', encoding='utf-8', errors='ignore' )

Answer 10

查看Latin-1 unicode 表，我看到字符代码00E9 “ LATIN SMALL LETTER E WITH 00E9 ”。 这是示例数据中的重音字符。 Python中的一个简单测试表明，该字符的UTF-8编码与 unicode（几乎UTF-16 ）编码不同。

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

我建议您在调用特殊的unicode_csv_reader()之前尝试对 unicode 数据进行encode("UTF-8") unicode_csv_reader() 。 简单地从文件中读取数据可能会隐藏编码，因此请检查实际字符值。