使用 Python 读取 UTF8 CSV 文件

问题描述：

我正在尝试使用 Python 读取带有重音字符的 CSV 文件（仅限法语和/或西班牙语字符）。根据 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 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:
        ...

下面是我尝试读取的 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，仍然会出现以下异常：

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)

我该如何修复这个问题？

解决方案 1：

该.encode方法应用于 Unicode 字符串以生成字节字符串；但您却在字节字符串上调用它……方向错了！查看codecs标准库中的模块，codecs.open特别是用于读取 UTF-8 编码文本文件的更好的通用解决方案。但是，对于模块csv，您需要传入 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：

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 

附言：如果事实证明您的输入数据不是utf-8，而是ISO-8859-1，那么您确实需要“转码”（如果您热衷于在csv模块级别使用utf-8），形式为--但可能您只需在上面的代码行line.decode('whateverweirdcodec').encode('utf-8')中使用现有编码的名称，而不是，因为实际上使用ISO-8859- *编码的字节串就可以了。yield`'utf-8'`csv

解决方案 2：

Python 2.X

有一个unicode-csv库可以解决您的问题，并且还有不需要编写任何新的与 csv 相关的代码的额外好处。

以下是他们自述文件中的一个例子：

>>> 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

在 Python 3 中，内置模块支持此功能csv。请参阅以下示例：

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

解决方案 3：

如果您想读取编码为 utf-8 的 CSV 文件，我建议您使用如下简约方法：

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

有了该语句，您稍后就可以使用 CSV 阅读器进行工作。

解决方案 4：

我建议当您想要打开文件时使用以下代码。

open('/content/sasan.csv' , 'r', encoding='utf-8', errors='ignore' )

解决方案 5：

另请查看此帖子中的答案：
https ://stackoverflow.com/a/9347871/1338557

它建议使用名为 ucsv.py 的库。为解决 Python 2.7 的编码问题 (utf-8) 而编写的简短而简单的 CSV 替代品。还提供对 csv.DictReader 的支持

编辑：添加我使用的示例代码：

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'])})

解决方案 6：

事实证明，按照 Alex Martelli 的建议使用codecs.open对我很有帮助。

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 ...

解决方案 7：

对于 Python 2.6，帮助页面的链接是相同的，据我所知，自 2.5 以来 csv 模块没有任何变化（除了错误修复）。这是无需任何编码/解码即可运行的代码（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可以正确读取而无需任何转换。

测试.py：

## -*- coding: utf-8 -*-
#
# NOTE: this first line is important for the version b) read from a string(unicode) variable
#

import csv

data = \n"""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：

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

解决方案 8：

值得注意的是，如果什么都不起作用，你可能忘记退出你的路径了。

例如，以下代码：

f = open("C:SomePathToile.csv")

会导致错误：

SyntaxError:（unicode 错误）'unicodeescape' 编解码器无法解码位置 2-3 中的字节：截断的 \UXXXXXXXX 转义

要修复，只需执行以下操作：

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

解决方案 9：

查看Latin-1unicode 表，我看到字符代码00E9“带有尖音符的拉丁小写字母 E ”。这是样本数据中的重音字符。在 中进行的简单测试Python表明，UTF-8此字符的编码与 unicode（几乎）编码不同UTF-16。

>>> u'/u00e9'
u'xe9'
>>> u'/u00e9'.encode('utf-8')
'xc3xa9'
>>> 

我建议您在调用特殊的之前尝试encode("UTF-8")unicode数据unicode_csv_reader()。 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。

解决方案 10：

在另一台服务器上遇到了同样的问题，但意识到语言环境很混乱。

export LC_ALL="en_US.UTF-8"

解决了问题