将 Unicode 文本写入文本文件？-IT科技

摘要：问题描述：我正在从 Google 文档中提取数据，对其进行处理，然后将其写入文件（最终将其粘贴到 Wordpress 页面中）。它有一些非 ASCII 符号。如何才能安全地将这些符号转换为可以在 HTML 源代码中使用的符号？目前，我正在将所有内容转换为 Unicode，将其全部合并到 Python 字符串中...

问题描述：

我正在从 Google 文档中提取数据，对其进行处理，然后将其写入文件（最终将其粘贴到 Wordpress 页面中）。

它有一些非 ASCII 符号。如何才能安全地将这些符号转换为可以在 HTML 源代码中使用的符号？

目前，我正在将所有内容转换为 Unicode，将其全部合并到 Python 字符串中，然后执行以下操作：

import codecs
f = codecs.open('out.txt', mode="w", encoding="iso-8859-1")
f.write(all_html.encode("iso-8859-1", "replace"))

最后一行有一个编码错误：

UnicodeDecodeError：'ascii'编解码器无法解码位置12286处的字节0xa0：序数不在范围内（128）

部分解决方案：

这个Python运行没有错误：

row = [unicode(x.strip()) if x is not None else u'' for x in row]
all_html = row[0] + "<br/>" + row[1]
f = open('out.txt', 'w')
f.write(all_html.encode("utf-8"))

但是如果我打开实际的文本文件，我会看到很多符号，例如：

Qur‚Äôan

也许我需要写入文本文件以外的东西？

解决方案 1：

尽可能只处理 unicode 对象，即在第一次获取对象时将其解码为 unicode 对象，并在输出时根据需要对其进行编码。

如果您的字符串实际上是一个 unicode 对象，则需要在将其写入文件之前将其转换为 unicode 编码的字符串对象：

foo = u'Δ, Й, ק, ‎ م, ๗, あ, 叶, 葉, and 말.'
f = open('test', 'w')
f.write(foo.encode('utf8'))
f.close()

当你再次读取该文件时，你将获得一个unicode编码的字符串，你可以将其解码为unicode对象：

f = file('test', 'r')
print f.read().decode('utf8')

解决方案 2：

Unicode 字符串处理在 Python 3 中已经标准化。

字符已以 Unicode（32 位）形式存储在内存中
您只需要以 utf-8 格式打开文件

（从内存到文件，会自动执行 32 位 Unicode 到可变字节长度 utf-8 的转换。）

out1 = "(嘉南大圳 ㄐㄧㄚ　ㄋㄢˊ　ㄉㄚˋ　ㄗㄨㄣˋ )"
fobj = open("t1.txt", "w", encoding="utf-8")
fobj.write(out1)
fobj.close()

解决方案 3：

在 Python 2.6+ 中，你可以在 Python 3 上使用io.open()默认（builtin ）：open()

import io

with io.open(filename, 'w', encoding=character_encoding) as file:
    file.write(unicode_text)

如果您需要逐步写入文本（无需unicode_text.encode(character_encoding)多次调用），这可能会更方便。与codecs模块不同，io模块具有适当的通用换行符支持。

解决方案 4：

前言：你的查看器会起作用吗？

确保您的查看器/编辑器/终端（无论您如何与 utf-8 编码文件交互）可以读取该文件。这在Windows上经常出现，例如记事本。

将 Unicode 文本写入文本文件？

在 Python 2 中，open从模块中使用（这与Python 3 中的io内置函数相同）：open

import io

一般来说，最佳实践是用于UTF-8写入文件（我们甚至不必担心 utf-8 的字节顺序）。

encoding = 'utf-8'

utf-8 是最现代且普遍使用的编码 - 它适用于所有网络浏览器、大多数文本编辑器（如果有问题，请查看您的设置）和大多数终端/shell。

在 Windows 上，utf-16le如果您只能在记事本（或其他受限查看器）中查看输出，您可以尝试。

encoding = 'utf-16le' # sorry, Windows users... :(

只需使用上下文管理器打开它并写出您的unicode字符：

with io.open(filename, 'w', encoding=encoding) as f:
    f.write(unicode_object)

使用许多 Unicode 字符的示例

下面是一个示例，它尝试将每个可能的字符（最多 3 位宽，4 位是最大值，但有点太宽）从数字表示（以整数表示）映射到编码的可打印输出，如果可能的话，还映射其名称（将其放入名为的文件中uni.py）：

from __future__ import print_function
import io
from unicodedata import name, category
from curses.ascii import controlnames
from collections import Counter

try: # use these if Python 2
    unicode_chr, range = unichr, xrange
except NameError: # Python 3
    unicode_chr = chr

exclude_categories = set(('Co', 'Cn'))
counts = Counter()
control_names = dict(enumerate(controlnames))
with io.open('unidata', 'w', encoding='utf-8') as f:
    for x in range((2**8)**3): 
        try:
            char = unicode_chr(x)
        except ValueError:
            continue # can't map to unicode, try next x
        cat = category(char)
        counts.update((cat,))
        if cat in exclude_categories:
            continue # get rid of noise & greatly shorten result file
        try:
            uname = name(char)
        except ValueError: # probably control character, don't use actual
            uname = control_names.get(x, '')
            f.write(u'{0:>6x} {1}    {2}
'.format(x, cat, uname))
        else:
            f.write(u'{0:>6x} {1}  {2}  {3}
'.format(x, cat, char, uname))
# may as well describe the types we logged.
for cat, count in counts.items():
    print('{0} chars of category, {1}'.format(count, cat))

这应该运行大约一分钟，然后您就可以查看数据文件，如果您的文件查看器可以显示 unicode，您就会看到它。有关类别的信息可以在这里找到。根据计数，我们可以通过排除没有与之关联的符号的 Cn 和 Co 类别来改善我们的结果。

$ python uni.py

它将显示十六进制映射、类别、符号（除非无法获取名称，因此可能是控制字符）和符号的名称。例如

我建议less在 Unix 或 Cygwin 上（不要将整个文件打印/cat 到输出中）：

$ less unidata

例如将显示类似于以下几行的内容，这些内容是我使用 Python 2（unicode 5.2）从中采样的：

     0 Cc NUL
    20 Zs     SPACE
    21 Po  !  EXCLAMATION MARK
    b6 So  ¶  PILCROW SIGN
    d0 Lu  Ð  LATIN CAPITAL LETTER ETH
   e59 Nd  ๙  THAI DIGIT NINE
  2887 So  ⢇  BRAILLE PATTERN DOTS-1238
  bc13 Lo  밓  HANGUL SYLLABLE MIH
  ffeb Sm  ￫  HALFWIDTH RIGHTWARDS ARROW

我的 Anaconda Python 3.5 有 unicode 8.0，我推测大多数 3 都有。

解决方案 5：

打开的文件codecs.open是一个文件，它接受unicode数据，对数据进行编码iso-8859-1，然后将其写入文件。但是，您尝试写入的内容不是unicode；您自己unicode接受数据并将其编码。这就是该方法的作用，对unicode字符串进行编码的结果是一个字节串（一种类型）。iso-8859-1 unicode.encode`str`

您应该使用正常方式open()并自行对 unicode 进行编码，或者（通常是更好的想法）使用codecs.open()而不自行对数据进行编码。

解决方案 6：

如何将unicode字符打印到文件中：

将其保存到文件：foo.py：

#!/usr/bin/python -tt
# -*- coding: utf-8 -*-
import codecs
import sys 
UTF8Writer = codecs.getwriter('utf8')
sys.stdout = UTF8Writer(sys.stdout)
print(u'e with obfuscation: é')

运行它并将输出传输到文件：

python foo.py > tmp.txt

打开 tmp.txt 并查看里面，你会看到以下内容：

el@apollo:~$ cat tmp.txt 
e with obfuscation: é

这样，您就将带有混淆标记的unicode e保存到了文件中。

解决方案 7：

当您尝试对非 Unicode 字符串进行编码时，就会出现此错误：它会尝试对其进行解码，假设它是纯 ASCII。有两种可能性：

您正在将其编码为字节串，但由于您使用了 codecs.open，因此 write 方法需要一个 unicode 对象。因此，您对其进行编码，然后它尝试再次对其进行解码。请尝试：f.write(all_html)。
事实上，all_html 并不是一个 unicode 对象。当你这样做时.encode(...)，它首先尝试对其进行解码。

解决方案 8：

如果用 python3 编写

>>> a = u'bats/u00E0'
>>> print a
batsà
>>> f = open("/tmp/test", "w")
>>> f.write(a)
>>> f.close()
>>> data = open("/tmp/test").read()
>>> data
'batsà'

如果用python2编写：

>>> a = u'bats/u00E0'
>>> f = open("/tmp/test", "w")
>>> f.write(a)

Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeEncodeError: 'ascii' codec can't encode character u'xe0' in position 4: ordinal not in range(128)

为了避免此错误，您必须使用编解码器“utf-8”将其编码为字节，如下所示：

>>> f.write(a.encode("utf-8"))
>>> f.close()

并在读取时使用编解码器“utf-8”解码数据：

>>> data = open("/tmp/test").read()
>>> data.decode("utf-8")
u'batsxe0'

而且如果你尝试在这个字符串上执行打印，它将自动使用“utf-8”编解码器进行解码，如下所示

>>> print a
batsà