Python: Перетворення з ISO-8859-1 / latin1 на UTF-8

У мене є цей рядок, який розшифровано з Quoted-printable до ISO-8859-1 за допомогою модуля електронної пошти. Це дає мені такі рядки, як "\ xC4pple", які відповідали б "Äpple" (Apple шведською). Однак я не можу перетворити ці рядки на UTF-8.

>>> apple = "\xC4pple"
>>> apple
'\xc4pple'
>>> apple.encode("UTF-8")
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc4 in position 0: ordinal not in     range(128)

Що я повинен зробити?

Спробуйте декодувати його спочатку, а потім кодувати:

apple.decode('iso-8859-1').encode('utf8')

Це поширена проблема, тому ось відносно ретельна ілюстрація.

Для неінікодових рядків (тобто таких, що не мають uпрефікса типу u'\xc4pple'), потрібно декодувати з власного кодування ( iso8859-1/ latin1, якщо це не змінено за допомогою загадковоїsys.setdefaultencoding функції) unicode, а потім кодувати до набору символів, який може відображати символи, які ви бажаєте, в цьому випадку рекомендую UTF-8.

По-перше, ось зручна функція утиліти, яка допоможе висвітлити шаблони рядка та Unicode Python 2.7:

>>> def tell_me_about(s): return (type(s), s)

Звичайна струна

>>> v = "\xC4pple" # iso-8859-1 aka latin1 encoded string

>>> tell_me_about(v)
(<type 'str'>, '\xc4pple')

>>> v
'\xc4pple'        # representation in memory

>>> print v
?pple             # map the iso-8859-1 in-memory to iso-8859-1 chars
                  # note that '\xc4' has no representation in iso-8859-1, 
                  # so is printed as "?".

Декодування рядка iso8859-1 - перетворіть звичайний рядок в unicode

>>> uv = v.decode("iso-8859-1")
>>> uv
u'\xc4pple'       # decoding iso-8859-1 becomes unicode, in memory

>>> tell_me_about(uv)
(<type 'unicode'>, u'\xc4pple')

>>> print v.decode("iso-8859-1")
Äpple             # convert unicode to the default character set
                  # (utf-8, based on sys.stdout.encoding)

>>> v.decode('iso-8859-1') == u'\xc4pple'
True              # one could have just used a unicode representation 
                  # from the start

Ще трохи ілюстрації - з “Ä”

>>> u"Ä" == u"\xc4"
True              # the native unicode char and escaped versions are the same

>>> "Ä" == u"\xc4"  
False             # the native unicode char is '\xc3\x84' in latin1

>>> "Ä".decode('utf8') == u"\xc4"
True              # one can decode the string to get unicode

>>> "Ä" == "\xc4"
False             # the native character and the escaped string are
                  # of course not equal ('\xc3\x84' != '\xc4').

Кодування в UTF

>>> u8 = v.decode("iso-8859-1").encode("utf-8")
>>> u8
'\xc3\x84pple'    # convert iso-8859-1 to unicode to utf-8

>>> tell_me_about(u8)
(<type 'str'>, '\xc3\x84pple')

>>> u16 = v.decode('iso-8859-1').encode('utf-16')
>>> tell_me_about(u16)
(<type 'str'>, '\xff\xfe\xc4\x00p\x00p\x00l\x00e\x00')

>>> tell_me_about(u8.decode('utf8'))
(<type 'unicode'>, u'\xc4pple')

>>> tell_me_about(u16.decode('utf16'))
(<type 'unicode'>, u'\xc4pple')

Взаємозв'язок між унікодом та UTF та latin1

>>> print u8
Äpple             # printing utf-8 - because of the encoding we now know
                  # how to print the characters

>>> print u8.decode('utf-8') # printing unicode
Äpple

>>> print u16     # printing 'bytes' of u16
���pple

>>> print u16.decode('utf16')
Äpple             # printing unicode

>>> v == u8
False             # v is a iso8859-1 string; u8 is a utf-8 string

>>> v.decode('iso8859-1') == u8
False             # v.decode(...) returns unicode

>>> u8.decode('utf-8') == v.decode('latin1') == u16.decode('utf-16')
True              # all decode to the same unicode memory representation
                  # (latin1 is iso-8859-1)

Винятки Unicode

 >>> u8.encode('iso8859-1')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc3 in position 0:
  ordinal not in range(128)

>>> u16.encode('iso8859-1')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'ascii' codec can't decode byte 0xff in position 0:
  ordinal not in range(128)

>>> v.encode('iso8859-1')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc4 in position 0:
  ordinal not in range(128)

Це можна було б обійти, перетворивши з певного кодування (latin-1, utf8, utf16) в unicode, наприклад u8.decode('utf8').encode('latin1').

Тож, можливо, можна було б взяти такі принципи та узагальнення:

• тип str- це набір байтів, який може мати одне з ряду кодувань, таких як Latin-1, UTF-8 та UTF-16
• тип unicode- це набір байтів, який можна перетворити на будь-яку кількість кодувань, найчастіше UTF-8 та latin-1 (iso8859-1)
• printкоманда має свою власну логіку для кодування , встановіть sys.stdout.encodingі недобросовісний UTF-8
• strПерш ніж перетворити на інше кодування, потрібно декодувати a в unicode.

Звичайно, все це змінюється в Python 3.x.

Сподіваюся, що це висвітлює.

Подальше читання

• Персонажі проти байтів , Тім Брей.

І дуже наочні висловлювання Арміна Ронахера:

• Оновлений посібник з Unicode на Python (2 липня 2013 р.)
• Більше про Unicode в Python 2 і 3 (5 січня 2014 р.)
• UCS проти UTF-8 як внутрішнє кодування рядків (9 січня 2014 р.)
• Все, що ви не хотіли знати про Unicode в Python 3 (12 травня 2014 р.)

Для Python 3:

bytes(apple,'iso-8859-1').decode('utf-8')

Я використав це для тексту, неправильно закодованого як iso-8859-1 (із такими словами, як VeÅ \ x99ejnà © ), замість utf-8. Цей код видає правильну версію Veřejné .

Розшифруйте до Unicode, закодуйте результати до UTF8.

apple.decode('latin1').encode('utf8')

concept = concept.encode('ascii', 'ignore') 
concept = MySQLdb.escape_string(concept.decode('latin1').encode('utf8').rstrip())

Я роблю це, я не впевнений, чи це хороший підхід, але він працює щоразу !!