处理统一码文件是场噩梦？这些诀窍助你大梦初醒

全文共2717字，预计学习时长5分钟

图片来源：unsplash.com/@christinnoelle

对于那些经常在日常工作中处理统一码文件(也适用于其他编码)的人来说，这篇文章是必读的。对于自然语言处理的从业者，处理统一码文件是一场噩梦，尤其是使用Windows操作系统。想象一下，当在编码或解码过程中遇到错误时的沮丧，例如：

UnicodeEncodeError: 'mbcs' codec can't decode characters in 

positionUnicodeDecodeError: 'charmap' codec can't decode byte 0x90 in position

大多数时候，除非是这个领域经验丰富的人，否则这样的错误并不能提供足够的信息。你可能会问为什么需要对字符进行编码和解码。我们可以从对统一码的简单解释来回答这个问题。

基于官方python文档，统一码Unicode  (通用编码字符集)是一种规范，旨在列出人类语言使用的每个字符，并为每个字符提供各自独特的代码。统一码规范不断被修订和更新，以添加新的语言和符号。

因此，编码和解码是一种将字符从文本映射到字节的方法，反之亦然。这使得它们可在计算机之间传输，并在日常生活中使用。当拥有不同的操作系统集时，情况会更复杂。

此外，不同语言有各自的字符集，只能在特定字体下显示。简单而言，可以看作是将一个外文字符翻译成机器能理解的字符。本文将探讨一些可以用于处理Python中统一码文件的方法，从可用模式和标准编码来入手。

统一码联盟的官方标志

通过上下文管理器读写文件

打开文件最安全的方法是通过上下文管理器使用with语句。它将自动关闭文件，防止任何可能出现的问题。

with open('name.txt') as f:

    f.readlines()

默认模式是'rt' ，即读取和发送文件。可以使用以下代码编写：

with open('name.txt', 'w') as f:

    f.write('Hello world!')

上面的代码将改写并截断文件。在一些情况下，可能更喜欢使用模式 'a'而不是'w'。以下列表显示了可用的完整模式：

· r:打开阅读(默认)

· w:打开写入，首先截断文件

· x:打开专属创建，如果文件已经存在则失败

· a:打开写入，如果文件存在，则添加到文件末尾

· b:二进制模式

· t:文本模式(默认)

· +:打开一个磁盘文件进行更新(读写)

可以组合一些模式。如原始文档中所述（https://docs.python.org/3.5/library/functions.html#open），对于二进制读写访问，模式'w+b' 打开并将文件截断为0字节。'r+b' 打开文件不会截断。

Python中的标准编码

在Python中指定编码，只需在上下文管理器初始化期间传入另一个参数。无论何时读写统一码字符，都需要指定它。以下例子显示了将统一码文本添加到现有文件的正确方法：

with open('name.txt', 'a', encoding='utf8') as f:

f.write('你好！')

如果不确定使用哪种编码，只需输入 utf8并检查是否有误。大多情况下，UTF-8对于编码和解码字符已经够好了。然而在某些情况下，需要使用不同的编码。

更多关于可用编码的信息：https://docs.python.org/3.7/library/codecs.html#standard-encodings

如果不知道文件中使用的什么编码该怎么办?一起进入下一部分来了解更多。

通过Notepad++检查编码类型

一般会更倾向使用Notepad++来查看文件内容。如果使用Notepad++打开一个文件，可以在用户界面的右下角看到使用的编码类型。

一个使用UTF-8编码的示例文件

可以通过编码菜单修改编码，它接受大量最常用的编码。

单击编码菜单时显示下拉菜单的图像

如果曾遇到过无法将文件转换为另一种编码的问题，或者即使正确地指定了某些编码，也无法读取，那么可以尝试以下方法。虽然有点笨，但亲测有效。

1. 用个人希望的编码创建一个空的文本文件。

2. 从原始文件中复制所有内容。

3. 将其粘贴到新文件并保存。

大多数情况下，这将自动将所有字符转换为新的编码。请注意，如果不能根据新的编码转换字符，可能会造成数据丢失。

处理未知编码中的字符

如果遇到无法识别编码且字符未知的情况，可以尝试修改错误参数来解决这个问题：

with open('name.txt', 'r', encoding='utf8', errors='ignore') as f:

    f.readlines()

错误参数指的是如何处理编码和解码错误。请注意，此参数不能在二进制模式中使用。可用错误的处理程序有：

· 严格：如果存在编码错误，则会造成ValueError 异常。None的默认值有相同效果。

· 忽略：忽略错误。注意，忽略编码错误会导致数据丢失。

· 替换：将替换标记(如'?')插入有畸形数据的位置。

· surrogateescape:将统一码私有使用区域中的任何不正确字节表示为代码点，范围从U+DC80到U+DCFF。当这个错误处理程序用于编写数据时，这些私有代码点将被转为相同字节。这对于处理未知编码的文件很有用。

· xmlcharrefreplace:仅在写入文件时受支持。不受编码支持的字符将被替换为适当的可扩展标记语言的字符引用 &#nnn;。

· backslashreplace:用Python的backslash转义字符替换畸形数据。

· namereplace:(仅在编写时支持)替换不支持的 \N{...} 转义字符。

在命令提示符中显示统一码字符

如果在Windows操作系统中运行命令提示符，那么在大多数情况下显示统一码字符都会有问题，出现如下图所示的乱码字符：

显示乱码字符的命令提示符

为了解决这个问题，需要将设置更改为正确的字体。

1. 右键单击顶部菜单并单击属性。

2. 单击字体菜单。

3. 将字体修改为可显示字符的所需字体。例如，可以使用楷体来呈现中文字符。

命令提示符的字体属性

打开一个有统一码字符的文件路径——通过pandas模块适用于read_csv

这部分有点棘手，尤其是在使用某些特定Python模块(如pandas)时。假设有以下非英语的文件路径：

file_path = 'C:\path\to\数据分析\data.csv'

试图通过read_csv读取文件将会抛出错误，因为文件路径包含统一码字符。在Python中使用内置的open()函数不是问题所在。为了解决这个问题，需要先打开文件，然后传递给read_csv函数:

with open(file_path, 'r', encoding='utf-8') as f:

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

留言 点赞 发个朋友圈

我们一起分享AI学习与发展的干货

编译组：杨雨心、蒋馨怡

相关链接：

https://medium.com/better-programming/tips-and-tricks-for-handling-unicode-files-in-python-e8a88b7ba047

如需转载，请后台留言，遵守转载规范

推荐文章阅读

ACL2018论文集50篇解读

EMNLP2017论文集28篇论文解读

2018年AI三大顶会中国学术成果全链接

ACL2017 论文集：34篇解读干货全在这里

10篇AAAI2017经典论文回顾

长按识别二维码可添加关注

读芯君爱你