使用 Python 读取 UTF8 CSV 文件

Posted 2023-02-23

【中文标题】使用 Python 读取 UTF8 CSV 文件

【英文标题】：Reading a UTF8 CSV file with Python

【发布时间】：2010-10-28 14:10:17

【问题描述】：

我正在尝试使用 Python 读取带有重音字符的 CSV 文件（仅限法语和/或西班牙语字符）。基于 csvreader (http://docs.python.org/library/csv.html) 的 Python 2.5 文档，我想出了以下代码来读取 CSV 文件，因为 csvreader 仅支持 ASCII。

def unicode_csv_reader(unicode_csv_data, dialect=csv.excel, **kwargs):
    # csv.py doesn't do Unicode; encode temporarily as UTF-8:
    csv_reader = csv.reader(utf_8_encoder(unicode_csv_data),
                            dialect=dialect, **kwargs)
    for row in csv_reader:
        # decode UTF-8 back to Unicode, cell by cell:
        yield [unicode(cell, 'utf-8') for cell in row]

def utf_8_encoder(unicode_csv_data):
    for line in unicode_csv_data:
        yield line.encode('utf-8')

filename = 'output.csv'
reader = unicode_csv_reader(open(filename))
try:
    products = []
    for field1, field2, field3 in reader:
        ...

以下是我尝试阅读的 CSV 文件的摘录：

0665000FS10120684,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Bleu
0665000FS10120689,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Gris
0665000FS10120687,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Vert
...

即使我尝试编码/解码为 UTF-8，我仍然收到以下异常：

Traceback (most recent call last):
  File ".\Test.py", line 53, in <module>
    for field1, field2, field3 in reader:
  File ".\Test.py", line 40, in unicode_csv_reader
    for row in csv_reader:
  File ".\Test.py", line 46, in utf_8_encoder
    yield line.encode('utf-8', 'ignore')
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc3 in position 68: ordinal not in range(128)

我该如何解决这个问题？

【问题讨论】：

Martin，如果你在附近，你会考虑将接受的答案从 Martelli 的 Python 2 only 答案中切换出来。

【参考方案1】：

.encode 方法应用于 Unicode 字符串以生成字节字符串；但是你用字节串来调用它......错误的方式'round！查看标准库中的codecs 模块，特别是codecs.open，以获得更好的读取UTF-8 编码文本文件的通用解决方案。但是，特别是对于 csv 模块，您需要传入 utf-8 数据，而这正是您已经得到的，因此您的代码可以简单得多：

import csv

def unicode_csv_reader(utf8_data, dialect=csv.excel, **kwargs):
    csv_reader = csv.reader(utf8_data, dialect=dialect, **kwargs)
    for row in csv_reader:
        yield [unicode(cell, 'utf-8') for cell in row]

filename = 'da.csv'
reader = unicode_csv_reader(open(filename))
for field1, field2, field3 in reader:
  print field1, field2, field3 

PS：如果事实证明您的输入数据不是 utf-8，而是例如在 ISO-8859-1 中，那么您确实需要一个“转码”（如果您热衷于在 csv 模块级别使用 utf-8），格式为 line.decode('whateverweirdcodec').encode('utf-8') - 但您可能只使用在我上面的代码中yield 行中现有编码的名称，而不是'utf-8'，因为csv 实际上适用于 ISO-8859-* 编码的字节串。

【讨论】：

这是否意味着 python 文档中的示例（OP 复制和粘贴的地方）是错误的？如果在你给它一个 unicode csv 时它会中断，那么额外的编码步骤有什么意义？

Please see this answer for Python 3

【参考方案2】：

Python 2.X

有一个 unicode-csv 库应该可以解决您的问题，另外还有一个好处是不需要编写任何新的 csv 相关代码。

这是他们自述文件中的一个示例：

>>> import unicodecsv
>>> from cStringIO import StringIO
>>> f = StringIO()
>>> w = unicodecsv.writer(f, encoding='utf-8')
>>> w.writerow((u'é', u'ñ'))
>>> f.seek(0)
>>> r = unicodecsv.reader(f, encoding='utf-8')
>>> row = r.next()
>>> print row[0], row[1]
é ñ

Python 3.X

在 python 3 中，内置 csv 模块开箱即用地支持这一点。看这个例子：

import csv
with open('some.csv', newline='', encoding='utf-8') as f:
    reader = csv.reader(f)
    for row in reader:
        print(row)

【讨论】：

encoding='utf-8-sig' 如果您的 CSV 文件有 BOM prefix U+FEFF 会有所帮助。使用该编码打开文件将自动剥离 BOM。否则它会混淆csv 认为第一个字段名称以 BOM 字符开头并且它无法去除引号，因此 reader.fieldnames[0] 可以是 '\ufeff"Date"' 而不是 'Date'。

【参考方案3】：

如果您想读取编码为 utf-8 的 CSV 文件，我建议您使用这样的简约方法：

with open(file_name, encoding="utf8") as csv_file:

使用该语句，您以后可以使用 CSV 阅读器来处理。

【讨论】：

这可能只是 Python 3 吗？它在 Python 2 中对我来说失败了。它不接受 open 中的 encoding

@Zvika 是的，在 python 3 中这个解决方案有效：open('file.csv', 'r', encoding="ISO8859")

我还要加上open(file_name, "rt", encoding='utf-8')，即以“阅读文本”模式打开文件

@JimmyLeeJones 'r' 和 'rt' 是相同的，因为默认情况下open 使用“阅读文本”模式

【参考方案4】：

还可以查看这篇文章中的答案： https://***.com/a/9347871/1338557

它建议使用名为 ucsv.py 的库。为解决 Python 2.7 的编码问题（utf-8）而编写的 CSV 的简短替换。还提供了对 csv.DictReader 的支持

编辑：添加我使用的示例代码：

import ucsv as csv

#Read CSV file containing the right tags to produce
fileObj = open('awol_title_strings.csv', 'rb')
dictReader = csv.DictReader(fileObj, fieldnames = ['titles', 'tags'], delimiter = ',', quotechar = '"')
#Build a dictionary from the CSV file-> <string>:<tags to produce>
titleStringsDict = dict()
for row in dictReader:
    titleStringsDict.update(unicode(row['titles']):unicode(row['tags']))

【讨论】：

你应该在你的答案中加入该链接的一些细节，以防链接损坏\

#Downvoter- 不知道你为什么认为它没用。 ucsv 库对我来说工作得很好。帮助解决了我 2 天以来一直在努力解决的 unicde 错误。如果您正在寻找一些示例代码，请在编辑@Yaje 中找到它 - 我已经提供了一些详细信息；也是示例代码。并更正了链接，该链接之前指向其他帖子。

您将文本文件作为二进制文件打开的任何特殊原因？ 'rb' 用于打开二进制文件。

【参考方案5】：

Alex Martelli 建议使用codecs.open 证明对我有用。

import codecs

delimiter = ';'
reader = codecs.open("your_filename.csv", 'r', encoding='utf-8')
for line in reader:
    row = line.split(delimiter)
    # do something with your row ...

【讨论】：

它不适用于所有 CSV，以下是有效的 csv 行："Foo Bar; Baz"; 231; 313; “;;;”; 1;

您导入了csv 模块但不使用它。

【参考方案6】：

帮助页面的链接与 python 2.6 相同，据我所知，自 2.5 以来 csv 模块没有任何变化（除了错误修复）。 这是无需任何编码/解码即可工作的代码（文件 da.csv 包含与变量 data 相同的数据）。我假设您的文件应该可以正确读取而无需任何转换。

test.py：

## -*- coding: utf-8 -*-
#
# NOTE: this first line is important for the version b) read from a string(unicode) variable
#

import csv

data = \
"""0665000FS10120684,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Bleu
0665000FS10120689,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Gris
0665000FS10120687,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Vert"""

# a) read from a file
print 'reading from a file:'
for (f1, f2, f3) in csv.reader(open('da.csv'), dialect=csv.excel):
    print (f1, f2, f3)

# b) read from a string(unicode) variable
print 'reading from a list of strings:'
reader = csv.reader(data.split('\n'), dialect=csv.excel)
for (f1, f2, f3) in reader:
    print (f1, f2, f3)

da.csv：

0665000FS10120684,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Bleu
0665000FS10120689,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Gris
0665000FS10120687,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Vert

【讨论】：

我想知道这适用于哪个版本的python？ 2.7 和 3.5 都出现错误。 “ValueError：没有足够的值来解包（预期 3，得到 1）”

@eis：我可以想象在您的系统上，逗号不是默认分隔符。尝试添加delimiter=',' 而不是dialect=csv.excel。

【参考方案7】：

值得注意的是，如果对您没有任何帮助，您可能已经忘记了逃离自己的道路。 例如这段代码：

f = open("C:\Some\Path\To\file.csv")

会导致错误：

SyntaxError: (unicode error) 'unicodeescape' 编解码器无法解码字节 在位置 2-3：截断 \UXXXXXXXX 转义

要修复，只需执行以下操作：

f = open("C:\\Some\\Path\\To\\file.csv")

【参考方案8】：

查看Latin-1 unicode table，我看到了字符代码00E9“LATIN SMALL LETTER E WITH ACUTE”。这是您的示例数据中的重音字符。在Python 中的一个简单测试表明，此字符的UTF-8 编码不同于unicode（几乎是UTF-16）编码。

>>> u'\u00e9'
u'\xe9'
>>> u'\u00e9'.encode('utf-8')
'\xc3\xa9'
>>> 

我建议您在调用特殊的unicode_csv_reader() 之前尝试encode("UTF-8") Unicode 数据。 简单地从文件中读取数据可能会隐藏编码，因此请检查实际的字符值。

【参考方案9】：

在另一台服务器上遇到同样的问题，但意识到语言环境混乱。

export LC_ALL="en_US.UTF-8"

解决了问题

【参考方案10】：

我建议您在打开文件时使用以下代码。

open('/content/sasan.csv' , 'r', encoding='utf-8', errors='ignore' )