python UnicodeWarning : Unicode equal comparison. 如何解决这个错误？

Question

喜欢here和 here ，我运行这段代码:

with open(fin,'r') as inFile, open(fout,'w') as outFile:
  for line in inFile:
     line = line.replace('."</documents', '"').replace('. ', ' ')
     print(' '.join([word for word in line.lower().split() if len(word) >=3 and word not in stopwords.words('english')]), file = outFile)

我有以下错误:

**UnicodeWarning: Unicode equal comparison failed to convert both arguments to Unicode - interpreting them as being unequal
  print(' '.join([word for word in line.lower().split() if len(word) >=3 and word not in stopwords.words('english')]), file = outFile)**

我该如何解决这个问题？

Answer 1

word not in stopwords.words('english')使用比较。要么 word或 stopwords.words('english') 中的至少一个值不是 Unicode 值。

由于您正在读取文件，因此这里最有可能的候选者是 word ;对其进行解码，或使用在读取数据时对数据进行解码的文件对象:

print(' '.join([word for word in line.lower().split()
                if len(word) >=3 and
                   word.decode('utf8') not in stopwords.words('english')]),
      file = outFile)**

或

import io

with io.open(fin,'r', encoding='utf8') as inFile,\
        io.open(fout,'w', encoding='utf8') as outFile:

其中 io.open() function为您提供一个文本模式的文件对象，可根据需要进行编码或解码。

后者不太容易出错。例如，您测试 word 的长度，但您真正测试的是字节数。任何包含 ASCII 代码点范围之外的字符的单词都会导致每个字符出现多个 UTF-8 字节，因此 len(word)与 len(word.decode('utf8')) 不一样.