在Python中从gzip格式的CSV删除BOM

Question

我正在使用以下代码解压缩并保存CSV文件：

with gzip.open(filename_gz) as f:
    file = open(filename, "w");
    output = csv.writer(file, delimiter = ',')
    output.writerows(csv.reader(f, dialect='excel', delimiter = ';'))

似乎一切正常，除了文件中的第一个字符是意外的事实。谷歌搜索似乎表明这是由于文件中的BOM。

我已经读过，将内容编码为utf-8-sig应该可以解决此问题。但是，添加：

.read().encoding('utf-8-sig')

到csv.reader中的f失败并显示：

File "ckan_gz_datastore.py", line 16, in <module>
    output.writerows(csv.reader(f.read().encode('utf-8-sig'), dialect='excel', delimiter = ';'))
File "/usr/lib/python2.7/encodings/utf_8_sig.py", line 15, in encode
    return (codecs.BOM_UTF8 + codecs.utf_8_encode(input, errors)[0], len(input))
UnicodeDecodeError: 'ascii' codec can't decode byte 0xef in position 0: ordinal not in range(128)

如何删除BOM表并将其内容保存在正确的utf-8中？

Answer 1

首先，您需要解码文件内容，而不是对其进行编码。

其次，该csv模块不喜欢Python 2.7中的unicode字符串，因此在对数据进行解码之后，您需要将其转换回utf-8。

最后，csv.reader在文件的各行上传递迭代，而不是其中包含换行符的大字符串。

所以：

csv.reader(f.read().decode('utf-8-sig').encode('utf-8').splitlines())

但是，您可能认为仅手动删除BOM会更简单/更有效：

def remove_bom(line):
    return line[3:] if line.startswith(codecs.BOM_UTF8) else line

csv.reader((remove_bom(line) for line in f), dialect = 'excel', delimiter = ';')

这有一点不同，因为它从任何以“ 1”开头的行中删除了BOM，而不仅仅是第一行。如果您不需要保留其他BOM，那么可以使用以下方法进行修复：

def remove_bom_from_first(iterable):
    f = iter(iterable)
    firstline = next(f, None)
    if firstline is not None:
        yield remove_bom(firstline)
        for line in f:
            yield f