在 python 中正确读取 Windows-1252(cp1252) 文件中的文本

Posted 2023-02-23

【中文标题】在 python 中正确读取 Windows-1252(cp1252) 文件中的文本

【英文标题】：Correctly reading text from Windows-1252(cp1252) file in python

【发布时间】：2013-03-08 07:29:25

【问题描述】：

好吧，正如标题所示，我遇到的问题是从 python 中的 windows-1252 编码文件中正确读取输入并将所述输入插入 SQLAlchemy-mysql 表中。

当前系统设置： 带有输出文件的“Roger 访问控制系统”的 Windows 7 VM； Ubuntu 12.04 LTS VM 与 Windows 系统的共享文件夹，因此我可以使用“Python 2.7.3”访问该文件。

现在到实际问题，对于输入文件，我有一个“VM 共享文件夹”，其中包含一个通过 Roger 访问控制系统在 Windows 7 系统上生成的文件（更多详细信息，roger.pl），这个文件被称为“PREvents.csv”，这表明它的内容是“;”单独的数据列表。

数据格式示例：

2013-03-19;15:58:30;100;Jānis;Dumburs;1;Uznemums1;0;Ieeja;
2013-03-19;15:58:40;100;Jānis;Dumburs;1;Uznemums1;2;Izeja;

第 4 个字段包含卡所有者姓名，第 5 个字段包含所有者姓氏，第 6 个字段包含所有者分配的组。

问题在于上述 3 个字段中的任何一个都可以包含特定于拉脱维亚语言的字符，在示例文件中，单词“Jānis”包含字母“ā”，在 unicode 中是 257。

按照我的习惯，我这样打开文件：

try:
    f = codecs.open(file, 'rb', 'cp1252')
except IOError:
    f = codecs.open(file, 'wb', 'cp1252')

到目前为止，一切正常 - 它打开了文件，所以我继续迭代文件的每一行（这是一个连续运行的脚本，所以请原谅循环）：

while True:
    line = f.readline()

    if not line:
        # Pause loop for 1 second
        time.sleep(1)
    else:
        # Split the line into list
        date, timed, userid, firstname, lastname, groupid, groupname, typed, pointname, empty = line.split(';')

这就是问题的开始，如果我 print repr(firstname) 它打印 u'J\xe2nis'，据我所知，这是不正确的 - `\xe2\ 不代表拉脱维亚字符“ā”。 根据事件类型，在循环的下方，我将变量分配给 SQLAlchemy 对象并插入/更新：

if typed == '0':  # Entry type
    event = Events(
        period,
        fullname,
        userid,
        groupname,
        timestamp,
        0,
        0
    )
    session.add(event)
else:  # Exit type
    event = session.query(Events).filter(
        Events.period == period,
        Events.exit == 0,
        Events.userid == userid
    ).first()
    if event is not None:
        event.exit = timestamp
        event.spent = timestamp - event.entry

# Commit changes to database
session.commit()

在我寻找答案的过程中，我发现了如何定义要使用的默认编码：

import sys
reload(sys)
sys.setdefaultencoding('utf-8')

这对我没有任何帮助。

基本上，这一切都会导致我无法插入正确的所有者名字/姓氏以及所有者分配的组名，如果它们包含任何拉脱维亚特定字符，例如：

Instead of the character "ā" it inserts "â"

我还想补充一点，我无法更改“PREvents.csv”文件编码，并且“RACS”系统不支持插入 UTF-8 或 Unicode 文件 - 如果您尝试任何一种方式，系统都会随机插入拉脱维亚特定字符的符号。

如果需要任何其他信息，请现在告诉我，我很乐意提供：)

任何帮助将不胜感激。

【问题讨论】：

拉脱维亚字符 ā 在 CP1252 中根本不可用。您不能创建包含该字符的 CP1252 编码文件。 （你有一个用 CP1257 编码的文件吗？）

当执行sudo file /media/sf_attendance/PREvents.csv 我得到/media/sf_attendance/PREvents.csv: ISO-8859 text, with CRLF line terminators

ISO-8859 是一个编码系列； CP1252 类似于（但不等同于）ISO-8859-1，仅支持西欧语言； CP1257 支持波罗的海语言。

【参考方案1】：

CP1252 不能代表ā；您的输入包含相似的字符 â。 repr 仅在 Python 2.x 中显示 Unicode 字符串的 ASCII 表示：

>>> print(repr(b'J\xe2nis'.decode('cp1252')))
u'J\xe2nis'
>>> print(b'J\xe2nis'.decode('cp1252'))
Jânis

【讨论】：

好的，所以将文件打开行更改为f = codecs.open(file, 'rb', 'cp1257')，然后将print firstname 显示正确的“ā”，但现在在执行session.commit() 时我得到UnicodeEncodeError: 'latin-1' codec can't encode character u'\u0101' in position 1: ordinal not in range(256)

您可能需要将 utf-8 设置为数据库（会话）的默认编码？

是的，我现在已经解决了这个问题 - 在 engine = create_engine(connection, convert_unicode=True) 中创建“引擎”时需要添加 convert_unicode=True

【参考方案2】：

我认为u'J\xe2nis' 是正确的，请参阅：

>>> print u'J\xe2nis'.encode('utf-8')
Jânis

您是否从 SQLAlchemy 或应用程序的输出中收到实际错误？

【讨论】：

如果我尝试 firstname = firstname.decode('cp1252') 然后将其插入数据库，我仍然会得到字符“â”

【参考方案3】：

我在处理一些 XML 文件时遇到了同样的问题，我解决了使用 ANSI 编码 (Windows-1252) 读取文件并使用 UTF-8 编码写入文件：

import os
import sys

path = os.path.dirname(__file__)

file_name = 'my_input_file.xml'

if __name__ == "__main__":
    with open(os.path.join(path, './' + file_name), 'r', encoding='cp1252') as f1:
        lines = f1.read()
        f2 = open(os.path.join(path, './' + 'my_output_file.xml'), 'w', encoding='utf-8')
        f2.write(lines)
        f2.close()