Чтение CSV-файла UTF8 с помощью Python

Я пытаюсь прочитать CSV-файл с акцентированными символами с помощью Python (только французские и / или испанские символы). Основываясь на документации Python 2.5 для csvreader ( http://docs.python.org/library/csv.html ), я придумал следующий код для чтения файла CSV, поскольку csvreader поддерживает только 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:
        ...

Ниже приведен отрывок из CSV-файла, который я пытаюсь прочитать:

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
...

Несмотря на то, что я пытаюсь кодировать / декодировать в UTF-8, я все равно получаю следующее исключение:

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)

Как это исправить?

.encodeМетод будет применяться к строке Unicode , чтобы сделать байт-строку; но вместо этого вы вызываете его в байтовой строке ... неправильно! Посмотрите на codecsмодуль в стандартной библиотеке и, codecs.openв частности, на лучшие общие решения для чтения текстовых файлов в кодировке UTF-8. Однако, csvв частности , для модуля вам необходимо передать данные utf-8, и это то, что вы уже получаете, поэтому ваш код может быть намного проще:

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: если окажется, что ваши входные данные НЕ в utf-8, а, например, в ISO-8859-1, тогда вам понадобится «перекодирование» (если вы хотите использовать utf-8 на csvуровне модуля) , формы line.decode('whateverweirdcodec').encode('utf-8')- но, вероятно, вы можете просто использовать имя вашей существующей кодировки в yieldстроке в моем коде выше, вместо того 'utf-8', как csvна самом деле будет хорошо с кодированными строками байтов ISO-8859- *.

Python 2.X

Существует библиотека unicode-csv, которая должна решить ваши проблемы, с дополнительным преимуществом, заключающимся в том, что не нужно писать какой-либо новый код, связанный с csv.

Вот пример из их readme:

>>> import unicodecsv
>>> from cStringIO import StringIO
>>> f = StringIO()
>>> w = unicodecsv.writer(f, encoding='utf-8')
>>> w.writerow((u'é', u'ñ'))
>>> f.seek(0)
>>> r = unicodecsv.reader(f, encoding='utf-8')
>>> row = r.next()
>>> print row[0], row[1]
é ñ

Python 3.X

В python 3 это сразу поддерживается встроенным csvмодулем. См. Этот пример:

import csv
with open('some.csv', newline='', encoding='utf-8') as f:
    reader = csv.reader(f)
    for row in reader:
        print(row)

Если вы хотите прочитать CSV-файл с кодировкой utf-8, минималистичный подход, который я рекомендую вам, - использовать что-то вроде этого:

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

С этим утверждением вы можете позже использовать для работы программу чтения CSV.

Также ознакомьтесь с ответом в этом сообщении: https://stackoverflow.com/a/9347871/1338557

Предлагается использовать библиотеку ucsv.py. Краткая и простая замена CSV, написанная для решения проблемы кодирования (utf-8) для Python 2.7. Также обеспечивает поддержку csv.DictReader

Изменить : добавление образца кода, который я использовал:

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'])})

Использование, codecs.openкак предложил Алекс Мартелли, оказалось для меня полезным.

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 ...

Ссылка на страницу справки такая же для python 2.6, и, насколько мне известно, в модуле csv с версии 2.5 не было никаких изменений (кроме исправлений ошибок). Вот код, который работает без какого-либо кодирования / декодирования (файл da.csv содержит те же данные, что и данные переменных ). Я предполагаю, что ваш файл должен читаться правильно без каких-либо преобразований.

test.py:

## -*- 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('\n'), dialect=csv.excel)
for (f1, f2, f3) in reader:
    print (f1, f2, f3)

da.csv:

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

Стоит отметить, что если у вас ничего не получилось, возможно, вы забыли сбежать со своего пути.
Например, такой код:

f = open("C:\Some\Path\To\file.csv")

Приведет к ошибке:

SyntaxError: (ошибка юникода) кодек unicodeescape не может декодировать байты в позиции 2-3: усеченный \ UXXXXXXXX escape

Чтобы исправить, просто выполните:

f = open("C:\\Some\\Path\\To\\file.csv")

Глядя на Latin-1таблицу юникода , я вижу код символа 00E9« СТРОЧНАЯ ЛАТИНСКАЯ БУКВА E С ОСТРЫМ ». Это символ с ударением в ваших данных выборки. Простой тест Pythonпоказывает, что UTF-8кодировка этого символа отличается от UTF-16кодировки Unicode (почти ).

>>> u'\u00e9'
u'\xe9'
>>> u'\u00e9'.encode('utf-8')
'\xc3\xa9'
>>> 

Я предлагаю вам попробовать encode("UTF-8")данные в Юникоде перед вызовом специального unicode_csv_reader(). Простое чтение данных из файла может скрыть кодировку, поэтому проверьте фактические значения символов.

Была такая же проблема на другом сервере, но я понял, что локали перепутались.

export LC_ALL="en_US.UTF-8"

исправил проблему