使用Python读取UTF8 CSV文件

Question

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

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
...

即使我尝试将编码/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？

Answer 1

该.encode方法将应用于Unicode字符串以生成字节字符串。但是你是用字节字符串来调用它的…以错误的方式回合！查看codecs标准库中的模块，codecs.open尤其是阅读UTF-8编码文本文件的更好的通用解决方案。但是，对于csv特定的模块，你需要传递utf-8数据，而这正是你已经得到的，因此你的代码可以更加简单：

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：如果事实证明你的输入数据不在utf-8中，而是在ISO-8859-1中，那么你确实需要“转码”（如果你热衷于在csv模块级别使用utf-8 ） ，形式为line.decode('whateverweirdcodec').encode('utf-8')，但你可能只需要在yield上面的代码行中使用现有编码的名称即可，而不是’utf-8’，因为csvISO-8859- *编码的字节串实际上就可以了。