将 Unicode 文本写入文本文件?
- 2025-01-08 08:50:00
- admin 原创
- 99
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’an
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