Python Unicode Encode Error

Question

Я читаю и анализирую файл Amazon XML, и, хотя в файле XML отображается ', при попытке его распечатать я получаю следующую ошибку:

'ascii' codec can't encode character u'\u2019' in position 16: ordinal not in range(128) 

Из того, что я до сих пор читал онлайн, ошибка связана с тем, что файл XML находится в UTF-8, но Python хочет обрабатывать его как кодированный ASCII-символ. Есть ли простой способ устранить ошибку и заставить мою программу напечатать XML, как он читает?

Answer 1

Вероятно, ваша проблема в том, что вы все правильно проанализировали, и теперь вы пытаетесь напечатать содержимое XML, а вы не можете, потому что есть некоторые иностранные символы Unicode.Попробуйте сначала закодировать вашу строку юникода как ascii:

unicodeData.encode('ascii', 'ignore')

часть 'ignore' скажет ему просто пропустить эти символы.Из документации по питону:

>>> u = unichr(40960) + u'abcd' + unichr(1972)
>>> u.encode('utf-8')
'\xea\x80\x80abcd\xde\xb4'
>>> u.encode('ascii')
Traceback (most recent call last):
  File "<stdin>", line 1, in ?
UnicodeEncodeError: 'ascii' codec can't encode character '\ua000' in position 0: ordinal not in range(128)
>>> u.encode('ascii', 'ignore')
'abcd'
>>> u.encode('ascii', 'replace')
'?abcd?'
>>> u.encode('ascii', 'xmlcharrefreplace')
'&#40960;abcd&#1972;'

Возможно, вы захотите прочитать эту статью: http://www.joelonsoftware.com/articles/Unicode.html,, которую я нашел очень полезным в качестве основного учебного пособия о том, что происходит.После прочтения вы перестанете чувствовать, что просто угадываете, какие команды использовать (или, по крайней мере, это случилось со мной).

Answer 2

Лучшее решение:

if type(value) == str:
    # Ignore errors even if the string is not proper UTF-8 or has
    # broken marker bytes.
    # Python built-in function unicode() can do this.
    value = unicode(value, "utf-8", errors="ignore")
else:
    # Assume the value object has proper __unicode__() method
    value = unicode(value)

Если вы хотите узнать больше о причинах этого:

Answer 3

Не кодируйте кодировку символов вашей среды внутри скрипта;вместо этого печатайте текст Unicode напрямую:

assert isinstance(text, unicode) # or str on Python 3
print(text)

Если ваш вывод перенаправлен в файл (или канал);вы можете использовать PYTHONIOENCODING envvar, чтобы указать кодировку:

$ PYTHONIOENCODING=utf-8 python your_script.py >output.utf8

В противном случае python your_script.py должен работать как есть - ваши настройки локали используются для кодирования текста (при проверке POSIX: LC_ALL, LC_CTYPE, LANG envvars - установите LANG в локаль utf-8, если необходимо).

Чтобы напечатать Unicode в Windows, см. Этот ответ, который показывает, как печатать Unicodeв консоль Windows, в файл или с помощью IDLE .

Answer 4

Отличный пост: http://www.carlosble.com/2010/12/understanding-python-and-unicode/

# -*- coding: utf-8 -*-

def __if_number_get_string(number):
    converted_str = number
    if isinstance(number, int) or \
            isinstance(number, float):
        converted_str = str(number)
    return converted_str


def get_unicode(strOrUnicode, encoding='utf-8'):
    strOrUnicode = __if_number_get_string(strOrUnicode)
    if isinstance(strOrUnicode, unicode):
        return strOrUnicode
    return unicode(strOrUnicode, encoding, errors='ignore')


def get_string(strOrUnicode, encoding='utf-8'):
    strOrUnicode = __if_number_get_string(strOrUnicode)
    if isinstance(strOrUnicode, unicode):
        return strOrUnicode.encode(encoding)
    return strOrUnicode

Answer 5

Python 3.5, 2018

Если вы не знаете, что такое кодировка, но у парсера Unicode возникают проблемы, вы можете открыть файл в Notepad++ и в верхней строке выбрать Encoding->Convert to ANSI. Тогда вы можете написать свой питон, как это

with open('filepath', 'r', encoding='ANSI') as file:
    for word in file.read().split():
        print(word)

Answer 6

Если вам нужно распечатать приблизительное представление строки на экране, а не игнорировать эти непечатаемые символы, попробуйте unidecode пакет здесь:

https://pypi.python.org/pypi/Unidecode

Объяснениенаходится здесь:

https://www.tablix.org/~avian/blog/archives/2009/01/unicode_transliteration_in_python/

Это лучше, чем использование u.encode('ascii', 'ignore') для данной строки u, и может спасти вас от ненужной головной боли, если точность символов не соответствует вашейпосле, но все еще хотят иметь удобочитаемость.

Wirawan

Answer 7

Попробуйте добавить следующую строку вверху скрипта Python.

# _*_ coding:utf-8 _*_

Answer 8

Я написал следующее, чтобы исправить неприятные кавычки, не связанные с ascii, и принудительно преобразовать их в нечто полезное.

unicodeToAsciiMap = {u'\u2019':"'", u'\u2018':"`", }

def unicodeToAscii(inStr):
    try:
        return str(inStr)
    except:
        pass
    outStr = ""
    for i in inStr:
        try:
            outStr = outStr + str(i)
        except:
            if unicodeToAsciiMap.has_key(i):
                outStr = outStr + unicodeToAsciiMap[i]
            else:
                try:
                    print "unicodeToAscii: add to map:", i, repr(i), "(encoded as _)"
                except:
                    print "unicodeToAscii: unknown code (encoded as _)", repr(i)
                outStr = outStr + "_"
    return outStr

Answer 9

Вы можете использовать что-то вида

s.decode('utf-8')

, который преобразует кодированную строку UTF-8 в строку Python Unicode. Но точная процедура зависит от того, как именно вы загружаете и анализируете файл XML, например, если вы никогда не обращаетесь к строке XML напрямую, вам, возможно, придется использовать объект декодера из codecs модуля .