我有一百个文件,根据 chardet,每个文件都使用以下编码之一:
['UTF-8', 'ascii', 'ISO-8859-2', 'UTF-16LE', 'TIS-620', 'utf-8', 'SHIFT_JIS', 'ISO-8859-7']
所以我知道文件编码,因此我知道用什么编码打开文件。
我希望将所有文件仅转换为 ascii。我还希望将不同版本的字符(如 -
和 '
)转换为它们的普通 ascii 等效字符。例如b"\xe2\x80\x94".decode("utf8")
应该转换成-
。最重要的是文本易于阅读。例如,我不想 don t
,而是 don't
。
我该怎么做?
我可以使用 Python 2 或 3 来解决这个问题。
这是我对 Python2 的了解。我正在尝试检测那些以连续非 ascii 字符开头的行。
for file_name in os.listdir('.'):
print(file_name)
r = chardet.detect(open(file_name).read())
charenc = r['encoding']
with open(file_name,"r" ) as f:
for line in f.readlines():
if line.decode(charenc) != line.decode("ascii","ignore"):
print(line.decode("ascii","ignore"))
这给了我以下异常:
if line.decode(charenc) != line.decode("ascii","ignore"):
File "/System/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/encodings/utf_16_le.py", line 16, in decode
return codecs.utf_16_le_decode(input, errors, True)
UnicodeDecodeError: 'utf16' codec can't decode byte 0x0a in position 6: truncated data
最佳答案
不要将 .readlines()
用于包含多字节行的二进制文件。在 UTF-16 little-endian 中,换行符被编码为两个字节,0A
(在 ASCII 中为换行符)和 00
(NULL)。 .readlines()
在这两个字节的第一个 处拆分,留下不完整的数据进行解码。
使用io
库重新打开文件以便于解码:
import io
for file_name in os.listdir('.'):
print(file_name)
r = chardet.detect(open(file_name).read())
charenc = r['encoding']
with io.open(file_name, "r", encoding=charenc) as f:
for line in f:
line = line.encode("ascii", "ignore"):
print line
要用 ASCII 友好字符替换特定的 unicode 代码点,请使用字典映射代码点到代码点或 unicode 字符串并调用 line.translate()
第一:
charmap = {
0x2014: u'-', # em dash
0x201D: u'"', # comma quotation mark, double
# etc.
}
line = line.translate(charmap)
我使用十六进制整数文字来定义 unicode 代码点以从映射到这里。字典中的值必须是 unicode 字符串、整数(代码点)或 None
以完全删除该代码点。
关于python - 将不同的编码转换为ascii,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/19644507/