3

UTF-8 でエンコードされた、ASCII 以外の文字を含む CSV ファイルを処理する Python スクリプトを作成しました。ただし、出力のエンコーディングは壊れています。したがって、入力のこれから:

"d\xc4\x9bjin hornictv\xc3\xad"

出力でこれを取得します:

"d\xe2\x99\xafjin hornictv\xc2\xa9\xc6\xaf"

エンコード エラーの原因を教えてください。以前に同様の動作を見たことがありますか?

編集: docsで紹介されているクラスcsvで標準ライブラリを使用しています。Python バージョン 2.6.6 を使用しています。UnicodeWriter

EDIT 2:動作を再現するコード:

#!/usr/bin/env python
#-*- coding:utf-8 -*-

import csv
from pymarc import MARCReader # The pymarc package available PyPI: http://pypi.python.org/pypi/pymarc/2.71
from UnicodeWriter import UnicodeWriter # The UnicodeWriter from: http://docs.python.org/library/csv.html

def getRow(tag, record):
  if record[tag].is_control_field():
    row = [tag, record[tag].value()]
  else:
    row = [tag] + record[tag].subfields
  return row

inputFile = open("input.mrc", "r")
outputFile = open("output.csv", "wb")
reader = MARCReader(inputFile, to_unicode = True)
writer = UnicodeWriter(outputFile, delimiter = ",", quoting = csv.QUOTE_MINIMAL)

for record in reader:
  if bool(record["001"]):
    tags = [field.tag for field in record.get_fields()]
    tags.sort()
    for tag in tags:
      writer.writerow(getRow(tag, record))

inputFile.close()
outputFile.close()

入力データはこちらから入手できます(大きなファイル)。

4

2 に答える 2

2

force_utf8 = Trueコンストラクターに引数を追加するとMARCReader問題が解決したようです:

reader = MARCReader(inputFile, to_unicode = True, force_utf8 = True)

ソースコードの検査によると(経由inspect)、次のようなことを行います:

string.decode("utf-8", "strict")
于 2011-01-25T15:05:43.123 に答える
0

UTF-8 エンコーディングでファイルを開こうとすることができます。

import codecs
codecs.open('myfile.txt', encoding='utf8')
于 2011-01-25T13:43:16.287 に答える