Python UTF-16 CSV阅读器

Question

我有一个UTF-16 CSV文件，我必须阅读。 Python csv模块似乎不支持UTF-16。

我正在使用python 2.7.2。 我需要解析的CSV文件很大，要运行几个GB的数据。

回答以下约翰·马钦（John Machin）的问题

print repr(open('test.csv', 'rb').read(100))

使用仅包含abc作为内容的test.csv输出

'\xff\xfea\x00b\x00c\x00'

我认为csv文件是在美国Windows机器上创建的。 我正在使用Mac OSX Lion。

如果我使用phihag和test.csv提供的包含一条记录的代码。

使用的示例test.csv内容。 下面是print repr（open（'test.csv'，'rb'）。read（1000））输出

'\xff\xfe1\x00,\x002\x00,\x00G\x00,\x00S\x00,\x00H\x00 \x00f\x00\xfc\x00r\x00 \x00e\x00 \x00\x96\x00 \x00m\x00 \x00\x85\x00,\x00,\x00I\x00\r\x00\n\x00'

phihag的代码

import codecs
import csv
with open('test.csv','rb') as f:
      sr = codecs.StreamRecoder(f,codecs.getencoder('utf-8'),codecs.getdecoder('utf-8'),codecs.getreader('utf-16'),codecs.getwriter('utf-16'))      
      for row in csv.reader(sr):
         print row

上面代码的输出

['1', '2', 'G', 'S', 'H f\xc3\xbcr e \xc2\x96 m \xc2\x85']
['', '', 'I']

预期输出为

['1', '2', 'G', 'S', 'H f\xc3\xbcr e \xc2\x96 m \xc2\x85','','I']

Answer 1

目前，csv模块不支持UTF-16。

在Python 3.x中，csv需要一个文本模式文件，您可以简单地使用open的encoding参数来强制进行另一种编码：

# Python 3.x only
import csv
with open('utf16.csv', 'r', encoding='utf16') as csvf:
    for line in csv.reader(csvf):
        print(line) # do something with the line

在Python 2.x中，您可以重新编码输入：

# Python 2.x only
import codecs
import csv

class Recoder(object):
    def __init__(self, stream, decoder, encoder, eol='\r\n'):
        self._stream = stream
        self._decoder = decoder if isinstance(decoder, codecs.IncrementalDecoder) else codecs.getincrementaldecoder(decoder)()
        self._encoder = encoder if isinstance(encoder, codecs.IncrementalEncoder) else codecs.getincrementalencoder(encoder)()
        self._buf = ''
        self._eol = eol
        self._reachedEof = False

    def read(self, size=None):
        r = self._stream.read(size)
        raw = self._decoder.decode(r, size is None)
        return self._encoder.encode(raw)

    def __iter__(self):
        return self

    def __next__(self):
        if self._reachedEof:
            raise StopIteration()
        while True:
            line,eol,rest = self._buf.partition(self._eol)
            if eol == self._eol:
                self._buf = rest
                return self._encoder.encode(line + eol)
            raw = self._stream.read(1024)
            if raw == '':
                self._decoder.decode(b'', True)
                self._reachedEof = True
                return self._encoder.encode(self._buf)
            self._buf += self._decoder.decode(raw)
    next = __next__

    def close(self):
        return self._stream.close()

with open('test.csv','rb') as f:
    sr = Recoder(f, 'utf-16', 'utf-8')

    for row in csv.reader(sr):
        print (row)

open和codecs.open要求文件以BOM表开头。 如果没有（或者您使用的是Python 2.x），仍然可以在内存中进行转换，如下所示：

try:
    from io import BytesIO
except ImportError: # Python < 2.6
    from StringIO import StringIO as BytesIO
import csv
with open('utf16.csv', 'rb') as binf:
    c = binf.read().decode('utf-16').encode('utf-8')
for line in csv.reader(BytesIO(c)):
    print(line) # do something with the line

Answer 2

Python 2.x csv模块文档示例显示了如何处理其他编码。

Answer 3

我强烈建议您将文件重新编码为UTF-8。 在BMP之外没有任何Unicode字符的极有可能的情况下，您可以利用以下事实：UTF-16是定长编码，可以从输入文件中读取定长块，而不必担心跨块边界。

第1步：确定您实际使用的编码。 检查文件的前几个字节：

print repr(open('thefile.csv', 'rb').read(100))

编码u'abc'四种可能方式

\xfe\xff\x00a\x00b\x00c -> utf_16
\xff\xfea\x00b\x00c\x00 -> utf_16
\x00a\x00b\x00c -> utf_16_be
a\x00b\x00c\x00 -> utf_16_le

如果您在执行此步骤时遇到任何问题，请编辑您的问题以包括上述print repr()

步骤2：这是一个Python 2.X recode-UTF-16 * -to-UTF-8脚本：

import sys
infname, outfname, enc = sys.argv[1:4]
fi = open(infname, 'rb')
fo = open(outfname, 'wb')
BUFSIZ = 64 * 1024 * 1024
first = True
while 1:
    buf = fi.read(BUFSIZ)
    if not buf: break
    if first and enc == 'utf_16':
        bom = buf[:2]
        buf = buf[2:]
        enc = {'\xfe\xff': 'utf_16_be', '\xff\xfe': 'utf_16_le'}[bom]
        # KeyError means file doesn't start with a valid BOM
    first = False
    fo.write(buf.decode(enc).encode('utf8'))
fi.close()
fo.close()

其他事项：

您说您的文件太大，无法读取整个文件，重新编码和重写，但是您可以在vi打开它。 请解释。

<85>被视为记录的结尾有点担心。 看起来0x85被识别为NEL（C1控制代码，NEWLINE）。 很有可能该数据最初是以某种传统的单字节编码进行编码的，其中0x85具有含义，但在错误的假设下将其转码为UTF-16，即原始编码为ISO-8859-1，也就是latin1。 文件起源于哪里？ IBM大型机？ Windows / Unix /经典Mac？ 什么国家，地区，语言？ 您显然认为<85>并不是换行符； 您认为这意味着什么？

请随时将缩减文件的副本（包括一些<85>的内容）发送sjmachin at lexicon dot net

根据提供的1行样本数据进行更新 。

这证实了我的怀疑。 阅读此 。 引述如下：

...除了在特定平台（例如OpenVMS）上，很少直接使用C1控制字符...。 当它们出现在表面上以ISO-8859-n编码的文档，网页，电子邮件等中时，它们的代码位置通常以专有的，特定于系统的编码代替该位置处的字符例如Windows-1252或Apple Macintosh（“ MacRoman”）字符集，它们使用提供的用于表示C1集的代码和一个8位字节来代替，以提供其他图形字符

这段代码：

s1 = '\xff\xfe1\x00,\x002\x00,\x00G\x00,\x00S\x00,\x00H\x00 \x00f\x00\xfc\x00r\x00 \x00e\x00 \x00\x96\x00 \x00m\x00 \x00\x85\x00,\x00,\x00I\x00\r\x00\n\x00'
s2 = s1.decode('utf16')
print 's2 repr:', repr(s2)
from unicodedata import name
from collections import Counter
non_ascii = Counter(c for c in s2 if c >= u'\x80')
print 'non_ascii:', non_ascii
for c in non_ascii:
    print "from: U+%04X %s" % (ord(c), name(c, "<no name>"))
    c2 = c.encode('latin1').decode('cp1252')
    print "to:   U+%04X %s" % (ord(c2), name(c2, "<no name>"))

s3 = u''.join(
    c.encode('latin1').decode('1252') if u'\x80' <= c < u'\xA0' else c
    for c in s2
    )
print 's3 repr:', repr(s3)
print 's3:', s3

产生以下内容（Python 2.7.2 IDLE，Windows 7）：

s2 repr: u'1,2,G,S,H f\xfcr e \x96 m \x85,,I\r\n'
non_ascii: Counter({u'\x85': 1, u'\xfc': 1, u'\x96': 1})
from: U+0085 <no name>
to:   U+2026 HORIZONTAL ELLIPSIS
from: U+00FC LATIN SMALL LETTER U WITH DIAERESIS
to:   U+00FC LATIN SMALL LETTER U WITH DIAERESIS
from: U+0096 <no name>
to:   U+2013 EN DASH
s3 repr: u'1,2,G,S,H f\xfcr e \u2013 m \u2026,,I\r\n'
s3: 1,2,G,S,H für e – m …,,I

您认为哪个是\\x96的更合理的解释：

SPA，即保护区开始（由面向块的终端使用。）
要么
英文破折号
？

似乎需要对更大的数据样本进行彻底的分析。 乐意效劳。

Answer 4

只需使用codecs.open打开文件codecs.open

import codecs, csv

stream = codecs.open(<yourfile.csv>, encoding="utf-16")
reader = csv.reader(stream)

并使用unicode字符串遍历程序，因为在处理文本时仍应这样做