- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
[更新] 感谢所有的答案和输入,但工作代码 将是最受欢迎的。如果您可以提供可以读取示例文件的代码,那么您就是国王(或王后)。
[更新 2] 感谢您的出色回答和讨论。我需要用这些做的是读入它们,解析它们,并将它们的一部分保存在 Django 模型实例中。我相信这意味着将它们从它们的 native 编码转换为 unicode,以便 Django 可以处理它们,对吗?
有several questions在 Stackoverflow 上已经讨论了非 ascii python CSV 读取的主题,但是那里和 python 文档中显示的解决方案不适用于我正在尝试的输入文件。
解决方案的要点似乎是对 CSV 阅读器的输入进行编码('utf-8'),并对阅读器的输出进行 unicode(项目,'utf-8')。然而,这会遇到 UnicodeDecodeError 问题(见上面的问题):
UnicodeDecodeError: 'utf8' codec can't decode byte 0xa3 in position 8: unexpected
输入文件不一定是utf8;它可以是 ISO-8859-1、cp1251 或其他任何东西。
那么,问题来了:什么是在 Python 中读取 CSV 文件的弹性、交叉编码能力的方法?
问题的根源似乎是 CSV 模块是 C 扩展;有纯python的CSV读取模块吗?
如果不是,有没有办法可靠地检测输入文件的编码以便对其进行处理?
基本上,我正在寻找一种可靠的方法来读取(并希望写入)任何编码的 CSV 文件。
这里有两个示例文件:European , Russian .
这里是失败的推荐解决方案:
Python 2.6.4 (r264:75821M, Oct 27 2009, 19:48:32)
[GCC 4.0.1 (Apple Inc. build 5493)] on darwin
Type "help", "copyright", "credits" or "license" for more information.
>>> import csv
>>> 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')
...
>>> r = unicode_csv_reader(file('sample-euro.csv').read().split('\n'))
>>> line = r.next()
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "<stdin>", line 5, in unicode_csv_reader
File "<stdin>", line 3, in utf_8_encoder
UnicodeDecodeError: 'ascii' codec can't decode byte 0xf8 in position 14: ordinal not in range(128)
>>> r = unicode_csv_reader(file('sample-russian.csv').read().split('\n'))
>>> line = r.next()
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "<stdin>", line 5, in unicode_csv_reader
File "<stdin>", line 3, in utf_8_encoder
UnicodeDecodeError: 'ascii' codec can't decode byte 0xa0 in position 28: ordinal not in range(128)
最佳答案
您正在尝试将解决方案应用于不同的 问题。请注意:
def utf_8_encoder(unicode_csv_data)
您正在向它提供 str
对象。
读取非 ASCII CSV 文件的问题在于您不知道编码和分隔符。如果您确实知道编码(并且它是基于 ASCII 的编码(例如 cp125x,任何东亚编码,UTF-8,不是 UTF-16,不是 UTF-32 )), 和分隔符,这将起作用:
for row in csv.reader("foo.csv", delimiter=known_delimiter):
row = [item.decode(encoding) for item in row]
您的 sample_euro.csv 看起来像带有逗号分隔符的 cp1252。俄语看起来像 cp1251,带有分号分隔符。顺便说一句,从内容来看,您似乎还需要确定正在使用的日期格式,也许还需要确定货币——俄语示例中有金额后跟一个空格和“卢布”的西里尔字母缩写。
请注意:拒绝所有说服您拥有以 ISO-8859-1 编码的文件的尝试。它们以 cp1252 编码。
更新 以响应评论“”“如果我明白你在说什么,我必须知道编码才能使其工作?在一般情况下,我不知道编码和根据另一个答案猜测编码非常困难,所以我运气不好?"""
您必须知道任何文件读取练习的编码才能起作用。
对于任何大小的文件中的任何编码,始终正确地猜测编码并不是很困难——这是不可能的。然而,将范围限制为以用户区域设置的默认编码从 Excel 或 Open Office 中保存的 csv 文件,并且大小合理,这并不是一项艰巨的任务。我建议给 chardet试一试;它为您的欧元文件猜测 windows-1252
,为您的俄语文件猜测 windows-1251
- 考虑到它们的小尺寸,这是一个了不起的成就。
更新 2 响应“”“工作代码 将是最受欢迎的“””
工作代码(Python 2.x):
from chardet.universaldetector import UniversalDetector
chardet_detector = UniversalDetector()
def charset_detect(f, chunk_size=4096):
global chardet_detector
chardet_detector.reset()
while 1:
chunk = f.read(chunk_size)
if not chunk: break
chardet_detector.feed(chunk)
if chardet_detector.done: break
chardet_detector.close()
return chardet_detector.result
# Exercise for the reader: replace the above with a class
import csv
import sys
from pprint import pprint
pathname = sys.argv[1]
delim = sys.argv[2] # allegedly known
print "delim=%r pathname=%r" % (delim, pathname)
with open(pathname, 'rb') as f:
cd_result = charset_detect(f)
encoding = cd_result['encoding']
confidence = cd_result['confidence']
print "chardet: encoding=%s confidence=%.3f" % (encoding, confidence)
# insert actions contingent on encoding and confidence here
f.seek(0)
csv_reader = csv.reader(f, delimiter=delim)
for bytes_row in csv_reader:
unicode_row = [x.decode(encoding) for x in bytes_row]
pprint(unicode_row)
输出 1:
delim=',' pathname='sample-euro.csv'
chardet: encoding=windows-1252 confidence=0.500
[u'31-01-11',
u'Overf\xf8rsel utland',
u'UTLBET; ID 9710032001647082',
u'1990.00',
u'']
[u'31-01-11',
u'Overf\xf8ring',
u'OVERF\xd8RING MELLOM EGNE KONTI',
u'5750.00',
u';']
输出 2:
delim=';' pathname='sample-russian.csv'
chardet: encoding=windows-1251 confidence=0.602
[u'-',
u'04.02.2011 23:20',
u'300,00\xa0\u0440\u0443\u0431.',
u'',
u'\u041c\u0422\u0421',
u'']
[u'-',
u'04.02.2011 23:15',
u'450,00\xa0\u0440\u0443\u0431.',
u'',
u'\u041e\u043f\u043b\u0430\u0442\u0430 Interzet',
u'']
[u'-',
u'13.01.2011 02:05',
u'100,00\xa0\u0440\u0443\u0431.',
u'',
u'\u041c\u0422\u0421 kolombina',
u'']
更新 3 这些文件的来源是什么?如果它们从 Excel 或 OpenOffice Calc 或 Gnumeric“另存为 CSV”,您可以通过将它们另存为“Excel 97-2003 工作簿 (*.xls)”并使用 xlrd 来避免整个编码过程。阅读它们。这也将省去必须检查每个 csv 文件以确定分隔符(逗号与分号)、日期格式(31-01-11 与 04.02.2011)和“小数点”(5750.00 与 450,00)的麻烦 - - 所有这些差异可能是通过另存为 CSV 造成的。 [免责声明]:我是 xlrd
的作者。
关于python - 一个有弹性的、实际工作的非 ascii 的 CSV 实现?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/5020446/
在 Windows 世界中,什么是正确的名称。具有导出函数的老式 C++ DLL?不是 COM DLL,也不是 .NET DLL。我们以前通过调用 LoadLibrary() 和 GetProcAdd
目前我正在使用javaEE7,我有一个场景如下。在我的 JSF Web 应用程序中,我有一个事件监听器(不是 JSF 事件),当事件调用时,它会执行某些操作,然后将这些信息更新到我的 Web 应用程序
这不是 AJAX 请求/响应回调问题... 我正在使用 Dojo 1.5 构建网格。我正在尝试 dojo.connect具有功能的扩展/收缩按钮。我的问题是 grid.startup()在创建实际 D
非 Webkit Opera 是 very specific在某些功能中,因此通常通过 JavaScript 检测到 the following way . 但是,Opera Next 几乎是 Goo
我已查看以下链接中给出的所有日志,但未能找到 IP 地址: https://developer.couchbase.com/documentation/server/3.x/admin/Misc/Tr
我有一个命令行程序,它根据一组源文件生成一个我想在我的 Android gradle 构建 (A) 中使用的 jar 文件。这个命令行程序只是将一个 jar 文件存储在磁盘上的一个目录中。 我如何创建
下面的 htaccess 命令将所有非 www 转移到 http www RewriteEngine On RewriteCond %{HTTP_HOST} !^www\. RewriteRule ^
我正在使用自定义链接器脚本将内核镜像分为两部分。第一个是普通代码和数据,第二个是初始化代码和不再需要时将被丢弃的数据。初始化部分也不像内核本身那样在地址空间之间共享,因此如果 fork() 仍然存在(
这个问题在这里已经有了答案: Several unary operators in C and C++ (3 个答案) What is the "-->" operator in C++? (29
假设我有一个类设置如下: class A { public: virtual void foo() { printf("default implementation\n"); } }; c
#include using namespace std; int main(int argc, char *argv[]) { int i=-5; while(~(i)) {
近期,百度搜索引擎变化无常,很多企业站、行业站、门户站、论坛等站点遭到了降权,特别是比比贴分类信息网直接遭到了拔毛,这对于广大站长来说是一种打击,也是各个企业、行业的打击。 至今,很多网站已经恢复
我现在正在使用 IBM TPM v1332 + IBM TSS v1470 并尝试将一些基本关键字/密码存储到 TPM 上的非 volatile 内存中。我找到了两种方法。一种是创建一个密封对象并使用
我的 PHP 脚本中有一个正则表达式,如下所示: /(\b$term|$term\b)(?!([^)/iu 这与 $term 中包含的单词匹配,只要前后有单词边界并且它不在 HTML 标记内即可。 但
我想显示用户名称地址(请参阅 www.ipchicken.com ),但我唯一能找到的是 IP 地址。我尝试了反向查找,但也没有用: IPAddress ip = IPAddress.Parse(th
只有 UI 线程能够显示到屏幕上,还是其他线程也可以这样做? 最佳答案 不,您只能直接从 UI 线程访问 UI,但您可以编码来自其他线程的结果,例如使用 Control.Invoke 或 contro
我正在使用现代 Excel 滚动条(不是旧的 ActiveX 类型,即开发人员 > 插入 > 表单控件 > 滚动条)并且想检测它的值何时更改。我找不到有关此类对象的更改事件的任何信息。您可以在单击时分
当我使用这段代码时 IE 6 确实正确使用了指定的样式表,但所有其他浏览器在应该使用基本上声明的样式表时会忽略这两种样式表,如果您不是 IE,请使用此样式表。 有什么想法吗? 最佳答案 n
我想指定 2 mssql 表之间的关系。 付款类别和付款。 paymentcategory.id 加入 payout.category 列。 在 payout.json 模型中 我指定为外键:id,
我正在尝试制作非 volatile UDF,但似乎不可能。因此,这是我非常简单的test-UDF: Option Explicit Dim i As Integer Sub Main() i = 0
我是一名优秀的程序员,十分优秀!