溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
最近在做周報的時候，需要把csv文本中的數據提取出來制作表格后生產圖表。
在獲取csv文本內容的時候，基本上都是用with open(filename, encoding ='UTF-8') as f:來打開csv文本，但是實際使用過程中發現有些csv文本并不是utf-8格式，從而導致程序在run的過程中報錯，每次都需要手動去把該文本文件的編碼格式修改成utf-8，再次來run該程序，所以想說：直接在程序中判斷并修改文本編碼。
基本思路：先查找該文本是否是utf-8的編碼，如果不是則修改為utf-8編碼的文本，然后再處理。
python有chardet庫可以查看到文本的encoding信息：
detect函數只需要一個 非unicode字符串參數，返回一個字典（例如：{'encoding': 'utf-8', 'confidence': 0.99}）。該字典包括判斷到的編碼格式及判斷的置信度。
import chardet
def get_encode_info(file):
with open(file, 'rb') as f:
return chardet.detect(f.read())['encoding']
不過這個在從處理小文件的時候性能還行，如果文本稍微過大就很慢了，目前我本地的csv文件是近200k，就能明顯感覺到速度過慢了，效率低下。不過chardet庫中提供UniversalDetector對象來處理：創建UniversalDetector對象，然后對每個文本塊重復調用其feed方法。如果檢測器達到了最小置信閾值，它就會將detector.done設置為True。
一旦您用完了源文本，請調用detector.close()，這將完成一些最后的計算，以防檢測器之前沒有達到其最小置信閾值。結果將是一個字典，其中包含自動檢測的字符編碼和置信度(與charde.test函數返回的相同)。
from chardet.universaldetector import UniversalDetector
def get_encode_info(file):
with open(file, 'rb') as f:
detector = UniversalDetector()
for line in f.readlines():
detector.feed(line)
if detector.done:
break
detector.close()
return detector.result['encoding']
在做編碼轉換的時候遇到問題：UnicodeDecodeError: 'charmap' codec can't decode byte 0x90 in position 178365: character maps to <undefined>
def read_file(file):
with open(file, 'rb') as f:
return f.read()
def write_file(content, file):
with open(file, 'wb') as f:
f.write(content)
def convert_encode2utf8(file, original_encode, des_encode):
file_content = read_file(file)
file_decode = file_content.decode(original_encode) #-->此處有問題
file_encode = file_decode.encode(des_encode)
write_file(file_encode, file)
這是由于byte字符組沒解碼好，要加另外一個參數errors。官方文檔中寫道：
bytearray.decode(encoding=”utf-8”, errors=”strict”)
Return a string decoded from the given bytes. Default encoding is 'utf-8'. errors may be given to set a different error handling scheme. The default for errors is 'strict', meaning that encoding errors raise a UnicodeError. Other possible values are 'ignore', 'replace' and any other name registered via codecs.register_error(), see section Error Handlers. For a list of possible encodings, see section Standard Encodings.
意思就是字符數組解碼成一個utf-8的字符串，可能被設置成不同的處理方案，默認是‘嚴格'的，有可能拋出UnicodeError，可以改成‘ignore'，'replace'就能解決。
所以將此行代碼file_decode = file_content.decode(original_encode)修改成file_decode = file_content.decode(original_encode,'ignore')即可。
完整代碼：
from chardet.universaldetector import UniversalDetector
def get_encode_info(file):
with open(file, 'rb') as f:
detector = UniversalDetector()
for line in f.readlines():
detector.feed(line)
if detector.done:
break
detector.close()
return detector.result['encoding']
def read_file(file):
with open(file, 'rb') as f:
return f.read()
def write_file(content, file):
with open(file, 'wb') as f:
f.write(content)
def convert_encode2utf8(file, original_encode, des_encode):
file_content = read_file(file)
file_decode = file_content.decode(original_encode,'ignore')
file_encode = file_decode.encode(des_encode)
write_file(file_encode, file)
if __name__ == "__main__":
filename = r'C:\Users\danvy\Desktop\Automation\testdata\test.csv'
file_content = read_file(filename)
encode_info = get_encode_info(filename)
if encode_info != 'utf-8':
convert_encode2utf8(filename, encode_info, 'utf-8')
encode_info = get_encode_info(filename)
print(encode_info)
參考：https://chardet.readthedocs.io/en/latest/usage.html
以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持億速云。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
