[英]Unable to read non ascii characters from csv file
我正在嘗試讀取每行包含一個句子的csv文件。 每個句子可能包含諸如漢字之類的外來詞。 我想刪除或忽略這些外來字符,僅返回英文單詞或ascii單詞。
字符串在文件中的外觀示例:
'小心 Careful'
所需輸出:小心
import csv
from string import ascii_letters, punctuation
def remove_non_ascii(string):
ascii_letters = set(ascii_letters)
tokens = nltk.word_tokenize(string)
ascii_words = [word for word in tokens if any(letter in ascii_letters for letter in word)]
return ascii_words
with open(job_file, mode = 'r', encoding = 'utf8') as infile:
line_reader = csv.reader(infile)
for row in line_reader:
new_line = remove_non_ascii(row[1])
print (new_line)
if row[1]:
open(output_file, 'a', newline='', encoding = 'utf8') as outfile:
line_writer = csv.writer(outfile)
line_writer.writerow('')
這是我運行該代碼時遇到的錯誤。
UnicodeDecodeError: 'utf-8' codec can't decode byte 0x96 in position 2848: invalid start byte
如果我將編碼從utf8更改為cp1252,該錯誤就會消失,因為漢字會轉換為“ ????”。 是否可以刪除那些不需要的字符並僅返回符合ASCII的字符?
如果僅對輸入文件的ascii部分感興趣,則可以使用
open(job_file, mode = 'r', encoding = 'ascii', errors = 'ignore')
這應該忽略所有不符合ASCII的字符。 open()
的Python文檔為您提供了更多您可能要看的選項。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.