用 Python 讀取 UTF8 CSV 文件

Question

我正在嘗試使用 Python（僅限法語和/或西班牙語字符）讀取帶有重音字符的 CSV 文件。 基於 csvreader ( http://docs.python.org/library/csv.html ) 的 Python 2.5 文檔，我想出了以下代碼來讀取 CSV 文件，因為 csvreader 僅支持 ASCII。

def unicode_csv_reader(unicode_csv_data, dialect=csv.excel, **kwargs):
    # csv.py doesn't do Unicode; encode temporarily as UTF-8:
    csv_reader = csv.reader(utf_8_encoder(unicode_csv_data),
                            dialect=dialect, **kwargs)
    for row in csv_reader:
        # decode UTF-8 back to Unicode, cell by cell:
        yield [unicode(cell, 'utf-8') for cell in row]

def utf_8_encoder(unicode_csv_data):
    for line in unicode_csv_data:
        yield line.encode('utf-8')

filename = 'output.csv'
reader = unicode_csv_reader(open(filename))
try:
    products = []
    for field1, field2, field3 in reader:
        ...

以下是我正在嘗試閱讀的 CSV 文件的摘錄：

0665000FS10120684,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Bleu
0665000FS10120689,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Gris
0665000FS10120687,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Vert
...

即使我嘗試編碼/解碼為 UTF-8，我仍然收到以下異常：

Traceback (most recent call last):
  File ".\Test.py", line 53, in <module>
    for field1, field2, field3 in reader:
  File ".\Test.py", line 40, in unicode_csv_reader
    for row in csv_reader:
  File ".\Test.py", line 46, in utf_8_encoder
    yield line.encode('utf-8', 'ignore')
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc3 in position 68: ordinal not in range(128)

我該如何解決？

Answer 1

.encode方法應用於 Unicode 字符串以生成字節字符串； 但你是在字節串上調用它......錯誤的方式！ 查看標准庫中的codecs模塊，特別是codecs.open以獲得更好的通用解決方案，用於讀取 UTF-8 編碼的文本文件。 但是，特別是對於csv模塊，您需要傳入 utf-8 數據，這就是您已經獲得的數據，因此您的代碼可以簡單得多：

import csv

def unicode_csv_reader(utf8_data, dialect=csv.excel, **kwargs):
    csv_reader = csv.reader(utf8_data, dialect=dialect, **kwargs)
    for row in csv_reader:
        yield [unicode(cell, 'utf-8') for cell in row]

filename = 'da.csv'
reader = unicode_csv_reader(open(filename))
for field1, field2, field3 in reader:
  print field1, field2, field3 

PS：如果事實證明您的輸入數據不是 utf-8，而是例如 ISO-8859-1，那么您確實需要“轉碼”（如果您熱衷於在csv模塊級別使用 utf-8 )，形式為line.decode('whateverweirdcodec').encode('utf-8') -- 但可能你可以在上面代碼的yield行中使用現有編碼的名稱，而不是'utf-8' ，因為csv實際上對 ISO-8859-* 編碼的字節串很好。

Answer 2

蟒蛇2.X

有一個unicode-csv庫應該可以解決您的問題，另外還有一個好處是不需要編寫任何新的 csv 相關代碼。

這是他們自述文件中的一個示例：

>>> import unicodecsv
>>> from cStringIO import StringIO
>>> f = StringIO()
>>> w = unicodecsv.writer(f, encoding='utf-8')
>>> w.writerow((u'é', u'ñ'))
>>> f.seek(0)
>>> r = unicodecsv.reader(f, encoding='utf-8')
>>> row = r.next()
>>> print row[0], row[1]
é ñ

蟒蛇 3.X

在 python 3 中，這是由內置的csv模塊開箱即用的支持。 看這個例子：

import csv
with open('some.csv', newline='', encoding='utf-8') as f:
    reader = csv.reader(f)
    for row in reader:
        print(row)

Answer 3

如果您想讀取編碼為 utf-8 的 CSV 文件，我建議您使用以下簡單方法：

with open(file_name, encoding="utf8") as csv_file:

通過該語句，您可以稍后使用 CSV 閱讀器進行處理。

Answer 4

還可以查看這篇文章中的答案： https : //stackoverflow.com/a/9347871/1338557

它建議使用名為 ucsv.py 的庫。 為解決 Python 2.7 的編碼問題 (utf-8) 而編寫的 CSV 的簡短而簡單的替代品。 還提供對 csv.DictReader 的支持

編輯：添加我使用的示例代碼：

import ucsv as csv

#Read CSV file containing the right tags to produce
fileObj = open('awol_title_strings.csv', 'rb')
dictReader = csv.DictReader(fileObj, fieldnames = ['titles', 'tags'], delimiter = ',', quotechar = '"')
#Build a dictionary from the CSV file-> {<string>:<tags to produce>}
titleStringsDict = dict()
for row in dictReader:
    titleStringsDict.update({unicode(row['titles']):unicode(row['tags'])})

Answer 5

事實證明，按照 Alex Martelli 的建議使用codecs.open對我很有用。

import codecs

delimiter = ';'
reader = codecs.open("your_filename.csv", 'r', encoding='utf-8')
for line in reader:
    row = line.split(delimiter)
    # do something with your row ...

Answer 6

值得注意的是，如果沒有任何效果，您可能已經忘記了逃避自己的道路。
例如，這段代碼：

f = open("C:\Some\Path\To\file.csv")

會導致錯誤：

SyntaxError: (unicode error) 'unicodeescape' 編解碼器無法解碼位置 2-3 的字節：截斷的 \\UXXXXXXXX 轉義

要修復，只需執行以下操作：

f = open("C:\\Some\\Path\\To\\file.csv")

Answer 7

幫助頁面的鏈接對於 python 2.6 是相同的，據我所知，自 2.5 以來 csv 模塊沒有任何變化（除了錯誤修復）。 這是無需任何編碼/解碼即可工作的代碼（文件 da.csv 包含與變量data相同的數據）。 我假設您的文件應該可以正確讀取而無需任何轉換。

測試.py：

## -*- coding: utf-8 -*-
#
# NOTE: this first line is important for the version b) read from a string(unicode) variable
#

import csv

data = \
"""0665000FS10120684,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Bleu
0665000FS10120689,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Gris
0665000FS10120687,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Vert"""

# a) read from a file
print 'reading from a file:'
for (f1, f2, f3) in csv.reader(open('da.csv'), dialect=csv.excel):
    print (f1, f2, f3)

# b) read from a string(unicode) variable
print 'reading from a list of strings:'
reader = csv.reader(data.split('\n'), dialect=csv.excel)
for (f1, f2, f3) in reader:
    print (f1, f2, f3)

da.csv：

0665000FS10120684,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Bleu
0665000FS10120689,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Gris
0665000FS10120687,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Vert

Answer 8

在另一台服務器上遇到同樣的問題，但意識到語言環境混亂。

export LC_ALL="en_US.UTF-8"

解決了問題

Answer 9

我建議您在打開文件時使用以下代碼。

open('/content/sasan.csv' , 'r', encoding='utf-8', errors='ignore' )

Answer 10

查看Latin-1 unicode 表，我看到字符代碼00E9 “ LATIN SMALL LETTER E WITH 00E9 ”。 這是示例數據中的重音字符。 Python中的一個簡單測試表明，該字符的UTF-8編碼與 unicode（幾乎UTF-16 ）編碼不同。

>>> u'\u00e9'
u'\xe9'
>>> u'\u00e9'.encode('utf-8')
'\xc3\xa9'
>>> 

我建議您在調用特殊的unicode_csv_reader()之前嘗試對 unicode 數據進行encode("UTF-8") unicode_csv_reader() 。 簡單地從文件中讀取數據可能會隱藏編碼，因此請檢查實際字符值。