そのため、JSON ファイルをタブ区切りファイルに解析しようとしています。解析は正常に機能しているようで、すべてのデータが通過しています。出力ファイルで最も奇妙なことが起こっていますが。タブ区切り文字を使用するように指示し、出力ではタブを使用しますが、それでも一重引用符を保持しているようです。そして、なぜか頭にBをつけているようです。ヘッダーを手動で入力したところ、問題なく動作しましたが、データ自体の動作がおかしいです。これが私が得ている出力の例です。
id created text screen name name latitude longitude place name place type
b'1234567890' b'Thu Mar 14 19:39:07 +0000 2013' "b""I'm at Bank Of America (Wayne, MI) http://t.co/asdf""" b'userid' b'username' 42.28286837 -83.38487864 b'Bank Of America, Wayne' b'poi'
b'1234567891' b'Thu Mar 14 19:39:16 +0000 2013' b'here is a sample tweet \xf0\x9f\x8f\x80 #notingoodhands' b'userid2' b'username2'
これが、データを書き出すために使用しているコードです。
out = open(filename, 'w')
out.write('id\tcreated\ttext\tscreen name\tname\tlatitude\tlongitude\tplace name\tplace type')
out.write('\n')
rows = zip(ids, times, texts, screen_names, names, lats, lons, place_names, place_types)
from csv import writer
csv = writer(out, dialect='excel', delimiter = '\t')
for row in rows:
values = [(value.encode('utf-8') if hasattr(value, 'encode') else value) for value in row]
csv.writerow(values)
out.close()
これが問題です。utf-8ビットなしでこれを行い、そのまま出力した場合、フォーマットは完全に希望どおりになります。しかし、人々が特殊文字を入力すると、プログラムがクラッシュして処理できなくなります。
Traceback (most recent call last):
File "tweets.py", line 34, in <module>
csv.writerow(values)
File "C:\Python33\lib\encodings\cp1252.py", line 19, in encode
return codecs.charmap_encode(input,self.errors,encoding_table)[0]
UnicodeEncodeError: 'charmap' codec can't encode character '\U0001f3c0' in position 153: character maps to <undefined>
utf-8 ビットを追加すると、ここに表示される出力のタイプに変換されますが、これらすべての文字が出力に追加されます。誰もこれについて何か考えがありますか?