Читання CSV-файлу UTF8 за допомогою Python

Я намагаюся прочитати файл CSV із наголошеними символами за допомогою Python (лише французькі та / або іспанські символи). На основі документації Python 2.5 для csvreader ( http://docs.python.org/library/csv.html ) я придумав такий код для читання файлу CSV, оскільки csvreader підтримує лише 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:
        ...

Нижче наведено витяг із файлу CSV, який я намагаюся прочитати:

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
...

Незважаючи на те, що я намагаюся кодувати / декодувати до UTF-8, я все ще отримую такий виняток:

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)

Як це виправити?

.encodeМетод буде застосовуватися до рядка Unicode , щоб зробити байт-рядок; але ви натомість називаєте це на байтовому рядку ... неправильний шлях! Подивіться на codecsмодуль у стандартній бібліотеці, codecs.openзокрема, на кращі загальні рішення для читання текстових файлів, закодованих UTF-8. Однак, особливо для csvмодуля, вам потрібно передати дані utf-8, і це те, що ви вже отримуєте, тому ваш код може бути набагато простішим:

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: якщо виявиться, що ваші вхідні дані НЕ в utf-8, а, наприклад, у ISO-8859-1, тоді вам потрібно "перекодування" (якщо ви прагнете використовувати utf-8 на рівні csvмодуля) форми line.decode('whateverweirdcodec').encode('utf-8')- але, ймовірно, ви можете просто використати ім'я вашого існуючого кодування в yieldрядку в моєму коді вище, замість того 'utf-8', як csvнасправді буде чудово з ISO-8859- *, закодованими тестовими джерелами.

Python 2.X

Існує бібліотека unicode-csv, яка повинна вирішити ваші проблеми, з додатковою перевагою відмови від написання будь-якого нового csv-коду.

Ось приклад з їх readme:

>>> 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

Python 3.X

У python 3 це нестандартно підтримується вбудованим csvмодулем. Дивіться цей приклад:

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

Якщо ви хочете прочитати файл CSV із кодуванням utf-8, я рекомендую вам використати такий мінімалістичний підхід:

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

За допомогою цього твердження ви можете пізніше використовувати CSV-рідер для роботи.

Також перевірте відповідь у цій публікації: https://stackoverflow.com/a/9347871/1338557

Він пропонує використовувати бібліотеку під назвою ucsv.py. Коротка та проста заміна CSV, написана для вирішення проблеми кодування (utf-8) для Python 2.7. Також надає підтримку csv.DictReader

Редагувати : Додавання зразка коду, який я використовував:

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'])})

Використання, codecs.openяк запропонував Алекс Мартеллі, виявилось мені корисним.

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 ...

Посилання на довідкову сторінку є однаковим для python 2.6, і, наскільки мені відомо, в модулі csv не було змін після 2.5 (крім виправлень помилок). Ось код, який просто працює без будь-якого кодування / декодування (файл da.csv містить ті самі дані, що і змінна даних ). Я припускаю, що ваш файл слід читати правильно без будь-яких перетворень.

test.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

Варто зазначити, що якщо у вас нічого не вийшло, ви, можливо, забули втекти зі свого шляху.
Наприклад, цей код:

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

Це призведе до помилки:

SyntaxError: (помилка unicode) кодек 'unicodeescape' не може декодувати байти в положенні 2-3: усічений \ UXXXXXXXX втеча

Щоб виправити, просто виконайте:

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

Дивлячись на Latin-1таблицю Unicode , я бачу код символу 00E9" ЛАТИНСЬКИЙ МАЛЕНЬКИЙ ЛІТЕР E З ГОСТРИМ ". Це символ із наголосом у зразках даних. Простий тест Pythonпоказує, що UTF-8кодування цього символу відрізняється від кодування Unicode (майже UTF-16).

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

Пропоную спробувати скористатися даними encode("UTF-8")Unicode перед тим, як зателефонувати спец unicode_csv_reader(). Просто читання даних із файлу може приховати кодування, тому перевірте фактичні значення символів.

Мав таку ж проблему на іншому сервері, але зрозумів, що локалі переплутані.

export LC_ALL="en_US.UTF-8"

вирішено проблему