Question

我在CSV文件中有一些俄语数据：

2-комнатная квартира РДТ',  мкр Тастак-3,  Аносова — Толе би;Алматы
2-комнатная квартира БГР',  мкр Таугуль,  Дулати (Навои) — Токтабаева;Алматы
2-комнатная квартира ЦФМ',  мкр Тастак-2,  Тлендиева — Райымбека;Алматы

分隔符是;符号。

我想读取数据并将其放入数组中。我尝试使用以下代码读取此数据：

def loadCsv(filename):
    lines = csv.reader(open(filename, "rb"),delimiter=";" )
    dataset = list(lines)
    for i in range(len(dataset)):
        dataset[i] = [str(x) for x in dataset[i]]
    return dataset

然后我阅读并打印结果：

mydata = loadCsv('krish(csv3).csv')
print mydata

输出：

[['2-\xea\xee\xec\xed\xe0\xf2\xed\xe0\xff \xea\xe2\xe0\xf0\xf2\xe8\xf0\xe0,  \xec\xea\xf0 \xd2\xe0\xf1\xf2\xe0\xea-3,  \xc0\xed\xee\xf1\xee\xe2\xe0 \x97 \xd2\xee\xeb\xe5 \xe1\xe8', '\xc0\xeb\xec\xe0\xf2\xfb'], ['2-\xea\xee\xec\xed\xe0\xf2\xed\xe0\xff \xea\xe2\xe0\xf0\xf2\xe8\xf0\xe0,  \xec\xea\xf0 \xd2\xe0\xf3\xe3\xf3\xeb\xfc,  \xc4\xf3\xeb\xe0\xf2\xe8 (\xcd\xe0\xe2\xee\xe8) \x97 \xd2\xee\xea\xf2\xe0\xe1\xe0\xe5\xe2\xe0', '\xc0\xeb\xec\xe0\xf2\xfb'], ['2-\xea\xee\xec\xed\xe0\xf2\xed\xe0\xff \xea\xe2\xe0\xf0\xf2\xe8\xf0\xe0,  \xec\xea\xf0 \xd2\xe0\xf1\xf2\xe0\xea-2,  \xd2\xeb\xe5\xed\xe4\xe8\xe5\xe2\xe0 \x97 \xd0\xe0\xe9\xfb\xec\xe1\xe5\xea\xe0', '\xc0\xeb\xec\xe0\xf2\xfb']]

我发现在这种情况下需要编解码器并尝试使用此代码执行相同的操作：

import codecs
with codecs.open('krish(csv3).csv','r',encoding='utf8') as f:
    text = f.read()
print text

我收到了这个错误：

newchars, decodedbytes = self.decode(data, self.errors)

UnicodeDecodeError: 'utf8' codec can't decode byte 0xea in position 2: invalid continuation byte

有什么问题？使用编解码器时如何在我的数据中指定分隔符？我只想从文件中读取数据并将其放入二维数组中。

Answer 1

\ea是к的windows-1251 / cp5347编码。因此，您需要使用windows-1251解码，而不是UTF-8。

在Python 2.7中，CSV库不能正确支持Unicode - 请参阅＆＃34; Unicode＆＃34;在https://docs.python.org/2/library/csv.html

他们提出了一个简单的工作：

class UnicodeReader:
    """
    A CSV reader which will iterate over lines in the CSV file "f",
    which is encoded in the given encoding.
    """

    def __init__(self, f, dialect=csv.excel, encoding="utf-8", **kwds):
        f = UTF8Recoder(f, encoding)
        self.reader = csv.reader(f, dialect=dialect, **kwds)

    def next(self):
        row = self.reader.next()
        return [unicode(s, "utf-8") for s in row]

    def __iter__(self):
        return self

这将允许你这样做：

def loadCsv(filename):
    lines = UnicodeReader(open(filename, "rb"), delimiter=";", encoding="windows-1251" )
    # if you really need lists then uncomment the next line
    # this will let you do call exact lines by doing `line_12 = lines[12]`
    # return list(lines)

    # this will return an "iterator", so that the file is read on each call
    # use this if you'll do a `for x in x`
    return lines

如果您尝试打印dataset，那么您将获得列表中列表的表示，其中第一个列表是行，第二个列表是列。任何编码的字节或文字都将用\x或\u表示。要打印值，请执行以下操作：

for csv_line in loadCsv("myfile.csv"):
    print u", ".join(csv_line)

如果您需要将结果写入另一个文件（相当典型），您可以这样做：

with io.open("my_output.txt", "w", encoding="utf-8") as my_ouput:
    for csv_line in loadCsv("myfile.csv"):
        my_output.write(u", ".join(csv_line))

这会自动将输出转换/编码为UTF-8。

Answer 2

您的.csv可以是另一种编码，而不是UTF-8吗？（考虑到错误信息，它甚至应该）。尝试其他西里尔语编码，如Windows-1251或CP866或KOI8。

Answer 3

你不能尝试：

import pandas as pd 
pd.read_csv(path_file , "cp1251")

或

import csv
with open(path_file,  encoding="cp1251", errors='ignore') as source_file:
        reader = csv.reader(source_file, delimiter=",")

Answer 4

在py3中：

import csv

path = 'C:/Users/me/Downloads/sv.csv'

with open(path, encoding="UTF8") as f:
    reader = csv.reader(f)
    for row in reader:
        print(row)

从csv读取俄语数据

4 个答案: