Чтение файла CSV UTF8 с помощью Python

Ответ 1

Метод .encode применяется к строке Unicode для создания байтовой строки; но вы называете это байтовой строкой вместо... неправильным способом! Посмотрите на модуль codecs в стандартной библиотеке и codecs.open, в частности, для улучшения общих решений для чтения текстовых файлов с кодировкой UTF-8. Однако для модуля csv в частности вам необходимо передать данные utf-8 и 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 находятся в utf-8, но, например, в ISO-8859-1 вам понадобится "перекодирование" (если вы предпочитаете использовать utf-8 на уровне модуля csv) формы line.decode('whateverweirdcodec').encode('utf-8') - но, вероятно, вы можете просто использовать имя существующей кодировки в строке yield в моем коде выше, а не 'utf-8', так как csv на самом деле будет просто отлично с ISO-8859- * закодированными байтами.

Ответ 2

Python 2.X

Существует библиотека unicode-csv, которая должна решить ваши проблемы, с дополнительным преимуществом, чтобы не писать новый код 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 поддерживается из коробки модулем csv. 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)

Ответ 3

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

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

С этим утверждением вы можете использовать более поздний читатель CSV для работы.

Ответ 4

Также проверьте ответ в этом сообщении: fooobar.com/questions/73327/...

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

Изменить: добавление 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'])})

Ответ 5

Используя codecs.open, как предложил Алекс Мартелли, мне было полезно.

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 ...

Ответ 6

Ссылка на страницу справки одинакова для python 2.6, и насколько я знаю, в модуле csv не было изменений с 2,5 (кроме исправлений ошибок). Вот код, который работает без кодирования/декодирования (файл da.csv содержит те же данные, что и данные переменной). Я предполагаю, что ваш файл должен быть правильно прочитан 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

Ответ 7

Глядя на таблицу Latin-1 unicode, я вижу код символа 00E9 "LATIN SMALL LETTER E WITH ONUTE". Это акцентированный символ в ваших данных образца. Простой тест в Python показывает, что кодировка UTF-8 для этого символа отличается от кодировки unicode (почти UTF-16).

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

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

Ответ 8

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

export LC_ALL="en_US.UTF-8"

исправил проблему

Ответ 9

Стоит отметить, что если у вас ничего не получилось, вы, возможно, забыли сбежать с пути.
Например, этот код:

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

Может привести к ошибке:

SyntaxError: (ошибка Unicode) кодек "unicodeescape" не может декодировать байты в положении 2-3: усеченный \UXXXXXXXX escape

Чтобы исправить, просто сделайте:

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