python - 使用 Python 读取 UTF8 CSV 文件

Question

我正在尝试使用 Python 读取带有重音字符的 CSV 文件(仅法语和/或西类牙语字符)。基于 csvreader ( http://docs.python.org/library/csv.html ) 的 Python 2.5 文档，我想出了以下代码来读取 CSV 文件，因为 csvreader 仅支持 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:
        ...

以下是我尝试阅读的 CSV 文件的摘录:

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/解码为 UTF-8，我仍然遇到以下异常:

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)

我该如何解决这个问题？

Answer 1

.encode 方法应用于 Unicode 字符串以生成字节字符串；但是你是在字节串上调用它......错误的方式!查看标准库中的 codecs 模块，特别是 codecs.open 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，您需要传入 utf-8 数据，这就是您已经获得的数据，因此您的代码可以简单得多:

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:如果事实证明您的输入数据不是 utf-8，而是例如在 ISO-8859-1 中，那么您确实需要一个格式为 line.decode( 'whateverweirdcodec').encode('utf-8') - 但也许您可以在我上面代码的 yield 行中使用现有编码的名称，而不是 'utf-8'，因为 csv 实际上适用于 ISO-8859-* 编码的字节串。