中文的csv文件的编码改成utf-8的方法

直奔主题：把包含中文的csv文件的编码改成utf-8的方法：

https://stackoverflow.com/questions/191359/how-to-convert-a-file-to-utf-8-in-python

 

啰嗦几句：

在用pandas读取hive导出的csv文件时，经常会遇到类似UnicodeDecodeError: 'gbk' codec can't decode byte 0xa3 in position 12这样的问题，这种问题是因为导出的csv文件包含中文，且这些中文的编码不是gbk，直接用excel打开这些文件还会出现乱码，但用记事本打开这些csv则正常显示，然后用记事本另存为UTF-8之后，用excel打开也能够正常显示，并且用pandas读取时指明encoding='utf-8'也能正常读取了。如果读取批量的csv时，或者csv的行数达到数百万时，就不能通过记事本另存为来更改encoding了，那应该怎么做来保证pandas能正常读取这些csv呢？

 

1.读取时不加encoding参数，则默认使用gbk编码来读取数据源文件，即默认数据源文件的编码为gbk：

import pandas as pd

df=pd.read_csv(data_source_file)

2.如果源文件的中文不是gbk编码，则可能会报错:

UnicodeDecodeError: 'gbk' codec can't decode byte 0xa3 in position 12

那么可以试试utf-8编码：

df=pd.read_csv(data_source_file,encoding='utf-8')

如果仍然报错，提示utf-8也不行：

UnicodeDecodeError: 'utf-8' codec can't decode byte 0xa3 in position 12

那么说明文件中的中文编码不是utf-8，这时我们就要确定源文件的中文到底使用哪一种编码。

3.常见的中文编码包括：utf-8,gbk,gb2312,gb18030,cp935,big5等，我们可以逐一试过去，确定之后再修改read_csv()的encoding参数值即可。

4.如果只需要读取一个csv文件，逐个试的方法是可行的，但是如果需要循环读取多个csv文件，而每个csv文件的编码都可能不一样，那么最好还是先把所有这些csv统一转为utf-8，再集中进行读取，转换文件的编码格式需要用到