关于utf 8：使用Python读取UTF8 CSV文件


Reading a UTF8 CSV file with Python

我正在尝试用python(仅限法语和/或西班牙语字符)读取带有重音字符的csv文件。基于csvreader的python 2.5文档(http://docs.python.org/library/csv.html)，我想出了以下代码来读取csv文件，因为csvreader只支持ASCII。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
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:
        ...

下面是我试图读取的csv文件的摘录：

1
2
3
4
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
...

即使我尝试编码/解码到UTF-8，我仍然得到以下异常：

1
2
3
4
5
6
7
8
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)

我该怎么解决这个问题？

相关讨论

.encode方法被应用于unicode字符串以生成字节字符串；但您改为在字节字符串上调用它…走错路了！查看标准库中的codecs模块，尤其是codecs.open模块，以获得读取UTF-8编码文本文件的更好的通用解决方案。但是，特别是对于csv模块，您需要传递utf-8数据，这就是您已经得到的，因此您的代码可以简单得多：

1
2
3
4
5
6
7
8
9
10
11
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：如果您的输入数据不是UTF-8格式，而是如ISO-8859-1格式，那么您确实需要一个"转码"(如果您希望在csv模块级别使用UTF-8)，格式为line.decode('whateverweirdcodec').encode('utf-8')，但您可能只需在我上面的代码中使用yield行中现有编码的名称，而不是'utf-8'，如csv实际上可以使用ISO-8859-*编码的字符串。

相关讨论

Python 2 x

有一个unicode csv库可以解决您的问题，另外还有一个好处就是不用导航来编写任何与csv相关的新代码。

以下是他们自述文件中的一个示例：

1
2
3
4
5
6
7
8
9
10
>>> import unicodecsv
>>> from cStringIO import StringIO
>>> f = StringIO()
>>> w = unicodecsv.writer(f, encoding='utf-8')
>>> w.writerow((u'é', u'?'))
>>> f.seek(0)
>>> r = unicodecsv.reader(f, encoding='utf-8')
>>> row = r.next()
>>> print row[0], row[1]
é ?

Python 3 x

在python 3中，这是由内置的csv模块现成支持的。请参见此示例：

1
2
3
4
5
import csv
with open('some.csv', newline='', encoding='utf-8') as f:
    reader = csv.reader(f)
    for row in reader:
        print(row)
相关讨论

同时在本帖中签出答案：https://stackoverflow.com/a/9347871/1338557

它建议使用名为ucsv.py的库。为解决Python2.7的编码问题(utf-8)而编写的csv的简短替换。还支持csv.dictleader

编辑：添加我使用的示例代码：

1
2
3
4
5
6
7
8
9
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'])})
相关讨论

如果您想读取编码为utf-8的csv文件，我建议您使用一种最低限度的方法，如下所示：

1
        with open(file_name, encoding="utf8") as csv_file:

有了这个语句，您以后可以使用csv阅读器进行工作。

相关讨论

像亚历克斯·马泰利建议的那样使用codecs.open对我很有用。

1
2
3
4
5
6
7
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 ...
相关讨论

对于python 2.6来说，到帮助页面的链接是相同的，据我所知，自从2.5以来，csv模块没有任何变化(除了错误修复)。这里是不需要任何编码/解码就可以工作的代码(文件da.csv包含与变量数据相同的数据)。我假设您的文件应该在不进行任何转换的情况下正确读取。

测试：PY：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
## -*- 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('
'), dialect=csv.excel)
for (f1, f2, f3) in reader:
    print (f1, f2, f3)

DA.CSV：

1
2
3
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
相关讨论

查看Latin-1unicode表，我看到字符代码00E9"带锐音符的拉丁文小写字母e"。这是示例数据中的重音字符。在Python中的一个简单测试表明，该字符的UTF-8编码与unicode(几乎是UTF-16编码)不同。

1
2
3
4
5
>>> u'\u00e9'
u'\xe9'
>>> u'\u00e9'.encode('utf-8')
'\xc3\xa9'
>>>

我建议您在调用特殊的unicode_csv_reader()之前尝试使用encode("UTF-8")unicode数据。简单地从文件中读取数据可能会隐藏编码，因此请检查实际的字符值。