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)。