将Unicode文本写入文本文件？

我正在从Google文档中提取数据，进行处理，然后将其写入文件（最终我将其粘贴到Wordpress页面中）。

它具有一些非ASCII符号。如何将这些安全地转换为可以在HTML源代码中使用的符号？

目前，我正在将所有内容都转换为Unicode，将它们全部组合成Python字符串，然后执行以下操作：

import codecs
f = codecs.open('out.txt', mode="w", encoding="iso-8859-1")
f.write(all_html.encode("iso-8859-1", "replace"))

最后一行存在编码错误：

UnicodeDecodeError：'ascii'编解码器无法解码位置12286的字节0xa0：序数不在范围内（128）

部分解决方案：

此Python运行无错误：

row = [unicode(x.strip()) if x is not None else u'' for x in row]
all_html = row[0] + "<br/>" + row[1]
f = open('out.txt', 'w')
f.write(all_html.encode("utf-8"))

但是，如果我打开实际的文本文件，则会看到很多符号，例如：

Qur’an 

也许我需要写文本文件以外的东西？

通过在首次获取对象时将其解码为unicode对象，并在出路时根据需要对其进行编码，从而尽可能地专门处理unicode对象。

如果您的字符串实际上是unicode对象，则需要先将其转换为unicode编码的字符串对象，然后再将其写入文件：

foo = u'Δ, Й, ק, ‎ م, ๗, あ, 叶, 葉, and 말.'
f = open('test', 'w')
f.write(foo.encode('utf8'))
f.close()

再次读取该文件时，您将获得一个unicode编码的字符串，可以将其解码为unicode对象：

f = file('test', 'r')
print f.read().decode('utf8')

在Python 2.6+中，您可以在Python 3上使用io.open()默认设置（内置open()）：

import io

with io.open(filename, 'w', encoding=character_encoding) as file:
    file.write(unicode_text)

如果您需要增量编写文本（不需要unicode_text.encode(character_encoding)多次调用），可能会更方便。与codecs模块不同，io模块具有适当的通用换行符支持。

Unicode字符串处理已在Python 3中标准化。

1. 字符已经以Unicode（32位）存储在内存中

2. 您只需要以utf-8打开文件
   （从内存到文件自动执行32位Unicode到可变字节长度的utf-8转换）。

   out1 = "(嘉南大圳 ㄐㄧㄚ　ㄋㄢˊ　ㄉㄚˋ　ㄗㄨㄣˋ )"
   fobj = open("t1.txt", "w", encoding="utf-8")
   fobj.write(out1)
   fobj.close()
   

打开的文件codecs.open是一个接收unicode数据，对其进行编码并将其iso-8859-1写入文件的文件。但是，您尝试写什么不是unicode; 您可以自己unicode进行编码。这就是方法的作用，对unicode字符串进行编码的结果是一个字节字符串（一种类型）。iso-8859-1 unicode.encodestr

您应该使用normal open()并自己对unicode编码，或者（通常是一个更好的主意）使用codecs.open()而不是对数据进行编码。

前言：您的查看器会工作吗？

确保查看器/编辑器/终端（无论与utf-8编码的文件进行交互）都可以读取该文件。这在Windows（例如记事本）上经常是一个问题。

将Unicode文本写入文本文件？

在Python 2中，使用open来自io模块（这与openPython 3中的内置功能相同）：

import io

通常，最佳实践UTF-8用于写入文件（我们甚至不必担心utf-8的字节顺序）。

encoding = 'utf-8'

utf-8是最现代且通用的编码-适用于所有Web浏览器，大多数文本编辑器（如果有问题，请参阅设置）和大多数终端/外壳。

在Windows上，utf-16le如果您仅限于在记事本（或其他受限制的查看器）中查看输出，则可以尝试。

encoding = 'utf-16le' # sorry, Windows users... :(

只需使用上下文管理器打开它，然后将您的unicode字符写出来：

with io.open(filename, 'w', encoding=encoding) as f:
    f.write(unicode_object)

使用许多Unicode字符的示例

这是一个示例，尝试将每个可能的字符映射到数字表示形式（整数）中最多三位宽（最大为4，但这会有点远）到编码的可打印输出及其名称，如果可能（将其放入名为的文件中uni.py）：

from __future__ import print_function
import io
from unicodedata import name, category
from curses.ascii import controlnames
from collections import Counter

try: # use these if Python 2
    unicode_chr, range = unichr, xrange
except NameError: # Python 3
    unicode_chr = chr

exclude_categories = set(('Co', 'Cn'))
counts = Counter()
control_names = dict(enumerate(controlnames))
with io.open('unidata', 'w', encoding='utf-8') as f:
    for x in range((2**8)**3): 
        try:
            char = unicode_chr(x)
        except ValueError:
            continue # can't map to unicode, try next x
        cat = category(char)
        counts.update((cat,))
        if cat in exclude_categories:
            continue # get rid of noise & greatly shorten result file
        try:
            uname = name(char)
        except ValueError: # probably control character, don't use actual
            uname = control_names.get(x, '')
            f.write(u'{0:>6x} {1}    {2}\n'.format(x, cat, uname))
        else:
            f.write(u'{0:>6x} {1}  {2}  {3}\n'.format(x, cat, char, uname))
# may as well describe the types we logged.
for cat, count in counts.items():
    print('{0} chars of category, {1}'.format(count, cat))

此过程应大约运行一分钟，您可以查看数据文件，如果文件查看器可以显示unicode，则可以看到它。有关类别的信息可在此处找到。根据计数，我们可以通过排除没有关联符号的Cn和Co类别来改善结果。

$ python uni.py

它将显示十六进制映射，category，symbol（除非无法获得名称，因此可能是控制字符）以及该符号的名称。例如

我建议less在Unix或Cygwin上使用（不要将整个文件打印/保存到输出中）：

$ less unidata

例如，它将显示类似于以下使用Python 2（unicode 5.2）从中采样的行：

     0 Cc NUL
    20 Zs     SPACE
    21 Po  !  EXCLAMATION MARK
    b6 So  ¶  PILCROW SIGN
    d0 Lu  Ð  LATIN CAPITAL LETTER ETH
   e59 Nd  ๙  THAI DIGIT NINE
  2887 So  ⢇  BRAILLE PATTERN DOTS-1238
  bc13 Lo  밓  HANGUL SYLLABLE MIH
  ffeb Sm  ￫  HALFWIDTH RIGHTWARDS ARROW

我来自Anaconda的Python 3.5具有unicode 8.0，我认为大多数都是3。

如何将unicode字符打印到文件中：

将此保存到文件：foo.py：

#!/usr/bin/python -tt
# -*- coding: utf-8 -*-
import codecs
import sys 
UTF8Writer = codecs.getwriter('utf8')
sys.stdout = UTF8Writer(sys.stdout)
print(u'e with obfuscation: é')

运行它，并将输出管道传输到文件：

python foo.py > tmp.txt

打开tmp.txt并查看内部，您会看到以下内容：

el@apollo:~$ cat tmp.txt 
e with obfuscation: é

因此，您已将带有混淆标记的unicode e保存到文件中。

当您尝试对非unicode字符串进行编码时，会出现该错误：假定它使用纯ASCII，它将尝试对其进行解码。有两种可能性：

1. 您正在将其编码为字节串，但是由于使用过codecs.open，因此write方法需要一个unicode对象。因此，您对其进行编码，然后它将尝试再次对其进行解码。试试：f.write(all_html)代替。
2. 实际上，all_html不是unicode对象。当您这样做时.encode(...)，它首先尝试对其进行解码。

如果用python3编写

>>> a = u'bats\u00E0'
>>> print a
batsà
>>> f = open("/tmp/test", "w")
>>> f.write(a)
>>> f.close()
>>> data = open("/tmp/test").read()
>>> data
'batsà'

如果使用python2编写：

>>> a = u'bats\u00E0'
>>> f = open("/tmp/test", "w")
>>> f.write(a)

Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeEncodeError: 'ascii' codec can't encode character u'\xe0' in position 4: ordinal not in range(128)

为避免此错误，您将必须使用编解码器“ utf-8”将其编码为字节，如下所示：

>>> f.write(a.encode("utf-8"))
>>> f.close()

并在使用编解码器“ utf-8”读取时解码数据：

>>> data = open("/tmp/test").read()
>>> data.decode("utf-8")
u'bats\xe0'

而且，如果您尝试在此字符串上执行打印，它将使用“ utf-8”编解码器自动解码，如下所示

>>> print a
batsà