Python: 转换文本编码
最近在做周报的时候，需要把csv文本中的数据提取出来制作表格后生产图表。
在获取csv文本内容的时候，基本上都是用with open(filename, encoding =\’UTF-8\’) as f:来打开csv文本，但是实际使用过程中发现有些csv文本并不是utf-8格式，从而导致程序在run的过程中报错，每次都需要手动去把该文本文件的编码格式修改成utf-8，再次来run该程序，所以想说：直接在程序中判断并修改文本编码。
基本思路：先查找该文本是否是utf-8的编码，如果不是则修改为utf-8编码的文本，然后再处理。
python有chardet库可以查看到文本的encoding信息：
detect函数只需要一个 非unicode字符串参数，返回一个字典（例如：{\’encoding\’: \’utf-8\’, \’confidence\’: 0.99}）。该字典包括判断到的编码格式及判断的置信度。
- import chardet
- def get_encode_info(file):
- with open(file, \'rb\') as f:
- return chardet.detect(f.read())[\'encoding\']
不过这个在从处理小文件的时候性能还行，如果文本稍微过大就很慢了，目前我本地的csv文件是近200k，就能明显感觉到速度过慢了，效率低下。不过chardet库中提供UniversalDetector对象来处理：创建UniversalDetector对象，然后对每个文本块重复调用其feed方法。如果检测器达到了最小置信阈值，它就会将detector.done设置为True。一旦您用完了源文本，请调用detector.close()，这将完成一些最后的计算，以防检测器之前没有达到其最小置信阈值。结果将是一个字典，其中包含自动检测的字符编码和置信度(与charde.test函数返回的相同)。
- from chardet.universaldetector import UniversalDetector
- def get_encode_info(file):
- with open(file, \'rb\') as f:
- detector = UniversalDetector()
- for line in f.readlines():
- detector.feed(line)
- if detector.done:
- break
- detector.close()
- return detector.result[\'encoding\']
在做编码转换的时候遇到问题：UnicodeDecodeError: \’charmap\’ codec can\’t decode byte 0x90 in position 178365: character maps to <undefined>
- def read_file(file):
- with open(file, \'rb\') as f:
- return f.read()
- def write_file(content, file):
- with open(file, \'wb\') as f:
- f.write(content)
- def convert_encode2utf8(file, original_encode, des_encode):
- file_content = read_file(file)
- file_decode = file_content.decode(original_encode) #-->此处有问题
- file_encode = file_decode.encode(des_encode)
- write_file(file_encode, file)
这是由于byte字符组没解码好，要加另外一个参数errors。官方文档中写道：
bytearray.decode(encoding=”utf-8”, errors=”strict”)
Return a string decoded from the given bytes. Default encoding is \’utf-8\’. errors may be given to set a different error handling scheme. The default for errors is \’strict\’, meaning that encoding errors raise a UnicodeError. Other possible values are \’ignore\’, \’replace\’ and any other name registered via codecs.register_error(), see section Error Handlers. For a list of possible encodings, see section Standard Encodings.
意思就是字符数组解码成一个utf-8的字符串，可能被设置成不同的处理方案，默认是‘严格’的，有可能抛出UnicodeError，可以改成‘ignore’，’replace’就能解决。
所以将此行代码file_decode = file_content.decode(original_encode)修改成file_decode = file_content.decode(original_encode,\’ignore\’)即可。
完整代码：
- from chardet.universaldetector import UniversalDetector
- def get_encode_info(file):
- with open(file, \'rb\') as f:
- detector = UniversalDetector()
- for line in f.readlines():
- detector.feed(line)
- if detector.done:
- break
- detector.close()
- return detector.result[\'encoding\']
- def read_file(file):
- with open(file, \'rb\') as f:
- return f.read()
- def write_file(content, file):
- with open(file, \'wb\') as f:
- f.write(content)
- def convert_encode2utf8(file, original_encode, des_encode):
- file_content = read_file(file)
- file_decode = file_content.decode(original_encode,\'ignore\')
- file_encode = file_decode.encode(des_encode)
- write_file(file_encode, file)
- if __name__ == "__main__":
- filename = r\'C:\Users\danvy\Desktop\Automation\testdata\test.csv\'
- file_content = read_file(filename)
- encode_info = get_encode_info(filename)
- if encode_info != \'utf-8\':
- convert_encode2utf8(filename, encode_info, \'utf-8\')
- encode_info = get_encode_info(filename)
- print(encode_info)
参考：https://chardet.readthedocs.io/en/latest/usage.html