在CSV文件中解碼UTF8文字

Question

題：

有誰知道我該如何將這b"it\\\\xe2\\\\x80\\\\x99s time to eat" it's time to eat b"it\\\\xe2\\\\x80\\\\x99s time to eat"轉變it's time to eat

---

更多詳細信息和我的代碼：

大家好，

我目前正在處理一個CSV文件，其中包含滿是UTF8文字的行，例如：

b“吃飯的時間到了\\ xe2 \\ x80 \\ x99s”

最終目標是得到這樣的東西：

該吃飯了

為此，我嘗試使用以下代碼：

import pandas as pd


file_open = pd.read_csv("/Users/Downloads/tweets.csv")

file_open["text"]=file_open["text"].str.replace("b\'", "")

file_open["text"]=file_open["text"].str.encode('ascii').astype(str)

file_open["text"]=file_open["text"].str.replace("b\"", "")[:-1]

print(file_open["text"])

運行代碼后，以我作為示例的行輸出為：

是時候吃飯了

我嘗試使用以下代碼打開CSV文件來解決此問題：

file_open = pd.read_csv("/Users/Downloads/tweets.csv", encoding = "utf-8")

它以以下方式打印示例行：

是時候吃飯了

而且我還嘗試使用此方法解碼行：

file_open["text"]=file_open["text"].str.decode('utf-8')

這給了我以下錯誤：

AttributeError: Can only use .str accessor with string values, which use np.object_ dtype in pandas

預先非常感謝您的幫助。

Answer 1

b"it\\\\xe2\\\\x80\\\\x99s time to eat"聽起來像您的文件包含轉義的編碼。

通常，您可以使用以下代碼將其轉換為正確的Python3字符串：

x = b"it\\xe2\\x80\\x99s time to eat"
x = x.decode('unicode-escape').encode('latin1').decode('utf8')
print(x)     # it’s time to eat

（ 在此說明了.encode('latin1')的.encode('latin1') ）

因此，如果在使用pd.read_csv(..., encoding="utf8")仍然轉義了字符串，則可以執行以下操作：

pd.read_csv(..., encoding="unicode-escape")
# ...
# Now, your values will be strings but improperly decoded:
#    itâs time to eat
#
# So we encode to bytes then decode properly:
val = val.encode('latin1').decode('utf8')
print(val)   # it’s time to eat

但是我認為最好對整個文件而不是對每個值分別進行處理，例如使用StringIO（如果文件不太大）：

from io import StringIO

# Read the csv file into a StringIO object
sio = StringIO()
with open('yourfile.csv', 'r', encoding='unicode-escape') as f:
    for line in f:
        line = line.encode('latin1').decode('utf8')
        sio.write(line)
sio.seek(0)    # Reset file pointer to the beginning

# Call read_csv, passing the StringIO object
df = pd.read_csv(sio, encoding="utf8")