[英]Python String Comparison--Problems With Special/Unicode Characters
我正在编写一个Python脚本来处理一些音乐数据。 它应该通过比较它们的条目并匹配它们来合并两个独立的数据库。 它几乎正常工作,但在比较包含特殊字符(即重音字母)的字符串时失败。 我很确定它是ASCII与Unicode编码问题,因为我收到错误:
“Unicode相等比较无法将两个参数都转换为Unicode - 将它们解释为不相等”
我意识到我可以使用正则表达式来删除有问题的字符,但我正在处理大量数据并且依赖正则表达式使我的程序变得非常慢。 有没有办法让Python正确比较这些字符串? 这里发生了什么 - 有没有办法判断它是否将我的字符串存储为ASCII或Unicode?
编辑1:我使用的是Python v2.6.6。 检查类型后,我发现一个数据库向我发出Unicode字符串,一个给出ASCII。 所以这可能就是问题所在。 我正在尝试将ASCII字符串从第二个数据库转换为Unicode,使用类似的行
line = unicode(f.readline().decode(latin_1).encode(utf_8))
但这会产生如下错误:
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc3 in position 41: ordinal not in range(128)
我不确定'ascii'编解码器为什么抱怨,因为我正在尝试从 ASCII解码。 有人可以帮忙吗?
Unicode与字节
首先,一些术语。 有两种类型的字符串,编码和解码:
这对你意味着什么
所以这就是事情。 你说你得到一个ASCII变量和一个Unicode变量。 这实际上不是真的。
在将字符串与Unicode字符串进行比较之前,您必须做出一些假设。 在你的情况下,Python(和你)假设字节串是ASCII编码的。 这很好,直到你遇到一个非 ASCII字符 - 一个带有重音符号的字符。
所以你需要找出编码的字符串是什么。 它可能是latin1。 如果是,您想要这样做:
if unicode_variable == string_variable.decode('latin1')
Latin1基本上是ASCII加上一些扩展字符,如Ç和Â。
如果您的数据是Latin1,那就是您需要做的。 但是如果你的字节串是用其他东西编码的,你需要弄清楚它是什么编码并将它传递给decode()。
最重要的是,除非您知道(或做出一些假设)输入数据的编码 ,否则没有简单的答案。
我会怎么做
尝试在字符串字符串上运行var.decode('latin1')。 那会给你一个Unicode变量。 如果这样做,并且数据看起来正确(即,带有重音符号的字符看起来像它们属于),请滚动它。
哦,如果latin1不解析或看起来不正确,请尝试utf8 - 另一种常见编码。
您可能需要预处理数据库并将所有内容转换为UTF-8。 我的猜测是你在某些条目中有拉丁文1重音字符。
string.decode('latin1').encode('utf8')
并看看会发生什么。
将两者都转换为unicode应该会有所帮助:
if unicode(str1) == unicode(str2):
print "same"
要确定您(不是它)是否将字符串存储为str
对象或unicode
对象,请print type(your_string)
。
您可以使用print repr(your_string)
)明确地向您自己(和我们)展示您的字符串中的内容。
顺便说一句,你在什么操作系统上使用的是什么版本的Python? 如果是Python 3.x,请使用ascii()
而不是repr()
。
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.