[英]Special characters problems using Python unicode
#!/usr/bin/env python
# -*- coding: utf_8 -*-
def splitParagraphIntoSentences(paragraph):
''' break a paragraph into sentences
and return a list '''
import re
# to split by multile characters
# regular expressions are easiest (and fastest)
sentenceEnders = re.compile('[.!?][\s]{1,2}(?=[A-Z])')
sentenceList = sentenceEnders.split(paragraph, re.UNICODE)
return sentenceList
if __name__ == '__main__':
p = "While other species (e.g. horse mango, M. foetida) are also grown ,Mangifera indica – the common mango or Indian mango – Sheffield’s only mango tree is valued at £9.2 billion."
sentences = splitParagraphIntoSentences(p)
for s in sentences:
print s.strip()
预期产量:其他种类(如马芒果,鹅肝)也都在种植,而芒果(印度芒果或印度芒果)是谢菲尔德唯一的芒果树,价值92亿英镑。”
收成:虽然也种植了其他物种(例如马芒果,鹅肝),但芒果的单棵芒果树的价值却高达92亿卢比,其中普通芒果或印度芒果谢菲尔德谢菲尔德。
忽略句子的含义,主要要点是它不能使用特殊字符,例如“-”,“£”,“'”等。 我尝试使用其他编码(例如ascii,utf-32,cp-500,iso8859_15和utf-8)设置sitecustomize.py文件和此代码,但无法解决。 抱歉,我是python新手。 提前感谢您的帮助。
找到了解决方案。
下面的代码运行正常。
p = p.encode('utf-8') if isinstance(p,unicode) else p
按照Nam的建议使用Unicode字符串文字是正确的,但是如果终端按照输出提示使用cp437代码页,则它将无法显示您要使用的某些Unicode字符。 Windows控制台不支持UTF-8,如果您声明coding: utf-8
则发送的是UTF-8 coding: utf-8
1在源文件中并且不使用Unicode文字。 coding: utf-8
声明源文件的编码,因此请确保您实际上以UTF-8编码保存源。
当您使用Unicode文字时,Python会以声明的编码解释源字符串,并将其转换为Unicode字符串。 当打印Unicode字符串时,Python会将字符串编码为终端编码,或者缺少终端编码,请为Python 2使用默认的ascii
编码。
一个例子:
# coding: utf8
print '£9.2 billion' # Sends UTF-8 to cp437 terminal (gibberish)
print u'£9.2 billion' # Correctly prints on cp437 terminal.
print 'Sheffield’s' # Sends UTF-8 to cp437 terminal (gibberish)
# Replaces Unicode characters that are unsupported in cp437.
print u'Sheffield’s £9.2 billion'.encode('cp437','xmlcharrefreplace')
print u'Sheffield’s' # UnicodeEncodeError.
£9.2 billion
£9.2 billion
SheffieldΓÇÖs
Sheffield’s £9.2 billion
Traceback (most recent call last):
File "C:\Documents and Settings\metolone\Desktop\x.py", line 10, in <module>
print u'SheffieldΓÇÖs' # UnicodeEncodeError.
File "C:\dev\python27\lib\encodings\cp437.py", line 12, in encode
return codecs.charmap_encode(input,errors,encoding_map)
UnicodeEncodeError: 'charmap' codec can't encode character u'\u2019' in position 9: character maps to <undefined>
因此,不要指望在Windows控制台上能正确打印所有Unicode的东西。 使用支持UTF-8的Python IDE,例如PythonWin(在pywin32扩展中可用)。
要在Windows控制台中正确显示Unicode字符,您需要做两件事:一种映射要映射的Unicode字符的编码,以及一种支持这些字符的正确字形的字体。 以您的示例为例,如果将控制台代码页更改为Windows-1252( chcp 1252
),并且将控制台字体更改为Consolas或Lucida Console而不是Raster Fonts,则如果使用Unicode文字( p = u"..."
,则原始程序将可用p = u"..."
)。
看起来像cp437 。 尝试这个:
import codecs, sys
sys.stdout = codecs.getwriter('UTF-8')(sys.stdout)
print u"valued at £9.2 billion."
这在Python 2.6中对我有效。
p = "While other species..."
应该更改为
p = u"While other species..."
请注意引号前面的u
。
您需要的是所谓的Unicode文字。 在Python 2中,默认情况下字符串文字不是Unicode。
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.