1

LinuxでPython 2.6を使用しています。shift_jis (日本語) でエンコードされた .csv ファイルを読み込んでいます。ヘッダーを読み込んで、正規表現の置換を行っていくつかの値を変換し、ファイルを shift_jis として書き戻しています。http://www.rikai.com/library/kanjitables/kanji_codes.sjis.shtmlによると、ファイル内の文字の 1 つ①で UnicodeDecodeError が発生しました。これは有効な文字である必要があります。他の日本語の文字は正常にデコードされます。

1) リスト内包表記で shift_jis を使用して文字列をデコードしています。この文字やその他の悪い文字を無視 (回避) したい場合はどうすればよいですか? これは、list_of_row_values で既に読み込まれた csv 値を含むコードです。

#! /usr/bin/python
# -*- coding: utf8 -*-

import csv
import re

with open('test.csv', 'wb') as output_file:
    wr = csv.writer(output_file, delimiter=',', quoting=csv.QUOTE_NONE) 

    # the following corresponds to reading from a shift_jis encoded csv files "日付,直流電流計測①,直流電流計測②"
    # 直流電流計測① is throwing an exception when decoded but it is a valid character according to
    # http://www.rikai.com/library/kanjitables/kanji_codes.sjis.shtml                           
    list_of_row_values = ['\x93\xfa\x95t', '\x92\xbc\x97\xac\x93d\x97\xac\x8cv\x91\xaa\x87@', '\x92\xbc\x97\xac\x93d\x97\xac\x8cv\x91\xaa\x87A']            

    # take away the last character in entry two, and three, and it would work 
    # but that means I know all the bad characters before hand
    #list_of_row_values = ['\x93\xfa\x95t', '\x92\xbc\x97\xac\x93d\x97\xac\x8cv\x91\xaa', '\x92\xbc\x97\xac\x93d\x97\xac\x8cv\x91\xaa']

    try:
        list_of_unicode_row_values = [str.decode('shift_jis') for str in list_of_row_values]                    
    except UnicodeDecodeError:
        # Question: what if I want to just ignore the character that cannot be decoded and still get the list
        # of "日付,直流電流計測,直流電流計測" as unicode?
        # right now, list_of_unicode_row_values would remain undefined, and the next line will
        # have a NameError
        print 'UnicodeDecodeError'
        pass

    # do a regex explanation to translate one column heading value
    list_of_translated_unicode_row_values = \
    [re.sub('日付'.decode('utf-8'), 'Date Time', str) for str in list_of_unicode_row_values]          

    list_of_translated_row_values = [unicode_str.encode('shift_jis') for unicode_str in list_of_translated_unicode_row_values]
    wr.writerow(list_of_translated_row_values)

2) 余談ですが、特定の shift_jis 文字が正しくデコードされていないように見えるという Python のバグをどのように報告すればよいですか?

4

1 に答える 1

3

errors='ignore'一般に、無効な文字をスキップするために使用できます。

list_of_unicode_row_values = [str.decode('shift_jis', errors='ignore') for str in list_of_row_values]

これにより、 に次のエントリが作成されますlist_of_unicode_row_values。

日付
直流電流計測
直流電流計測

ただし、特定のケースでは、間違ったエンコーディングを使用しています。Python のshift_jisエンコーディングは JIS X 0208 規格に準拠していますが、文字①は新しい JIS X 0213 規格に存在します。後者を使用するには、shift_jisx0213エンコーディングを使用します。

list_of_unicode_row_values = [str.decode('shift_jisx0213') for str in list_of_row_values]

次のエントリを取得します。

日付
直流電流計測①
直流電流計測②

予想通り。

于 2013-09-11T02:16:44.673 に答える