使用Python读取UTF8 CSV文件

我正在尝试使用Python读取带重音字符的CSV文件（仅法语和/或西班牙语字符）。基于csvreader的Python 2.5文档（http://docs.python.org/library/csv.html），我提出了以下代码来读取CSV文件，因为csvreader仅支持ASCII。

def unicode_csv_reader(unicode_csv_data, dialect=csv.excel, **kwargs):
    # csv.py doesn't do Unicode; encode temporarily as UTF-8:
    csv_reader = csv.reader(utf_8_encoder(unicode_csv_data),
                            dialect=dialect, **kwargs)
    for row in csv_reader:
        # decode UTF-8 back to Unicode, cell by cell:
        yield [unicode(cell, 'utf-8') for cell in row]

def utf_8_encoder(unicode_csv_data):
    for line in unicode_csv_data:
        yield line.encode('utf-8')

filename = 'output.csv'
reader = unicode_csv_reader(open(filename))
try:
    products = []
    for field1, field2, field3 in reader:
        ...

以下是我尝试阅读的CSV文件的摘录：

0665000FS10120684,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Bleu
0665000FS10120689,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Gris
0665000FS10120687,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Vert
...

即使我尝试对UTF-8进行编码/解码，我仍然遇到以下异常：

Traceback (most recent call last):
  File ".\Test.py", line 53, in <module>
    for field1, field2, field3 in reader:
  File ".\Test.py", line 40, in unicode_csv_reader
    for row in csv_reader:
  File ".\Test.py", line 46, in utf_8_encoder
    yield line.encode('utf-8', 'ignore')
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc3 in position 68: ordinal not in range(128)

我该如何解决？

该.encode方法将应用于Unicode字符串以生成字节字符串。但是您是用字节字符串来调用它的……以错误的方式回合！查看codecs标准库中的模块，codecs.open尤其是阅读UTF-8编码文本文件的更好的通用解决方案。但是，对于csv特定模块，您需要传递utf-8数据，而这正是您已经获得的，因此您的代码可以更加简单：

import csv

def unicode_csv_reader(utf8_data, dialect=csv.excel, **kwargs):
    csv_reader = csv.reader(utf8_data, dialect=dialect, **kwargs)
    for row in csv_reader:
        yield [unicode(cell, 'utf-8') for cell in row]

filename = 'da.csv'
reader = unicode_csv_reader(open(filename))
for field1, field2, field3 in reader:
  print field1, field2, field3 

PS：如果事实证明您的输入数据不在utf-8中，而是在ISO-8859-1中，那么您确实需要“转码”（如果您热衷于在csv模块级别使用utf-8 ） ，形式为line.decode('whateverweirdcodec').encode('utf-8')，但您可以yield在上面的代码行中使用现有编码的名称，而不是'utf-8'，因为csv使用ISO-8859- *编码的字节串实际上就可以了。

Python 2.X

有一个unicode-csv库可以解决您的问题，并具有不必编写任何与csv相关的新代码的附加好处。

这是他们的自述文件中的一个示例：

>>> import unicodecsv
>>> from cStringIO import StringIO
>>> f = StringIO()
>>> w = unicodecsv.writer(f, encoding='utf-8')
>>> w.writerow((u'é', u'ñ'))
>>> f.seek(0)
>>> r = unicodecsv.reader(f, encoding='utf-8')
>>> row = r.next()
>>> print row[0], row[1]
é ñ

的Python 3.X

在python 3中，内置csv模块支持此功能。请参阅以下示例：

import csv
with open('some.csv', newline='', encoding='utf-8') as f:
    reader = csv.reader(f)
    for row in reader:
        print(row)

如果您想读取编码为utf-8的CSV文件，建议您使用以下类似方法：

with open(file_name, encoding="utf8") as csv_file:

使用该语句，以后可以使用CSV阅读器进行处理。

还要检查这篇文章中的答案：https : //stackoverflow.com/a/9347871/1338557

它建议使用名为ucsv.py的库。简短而简单的替换CSV，以解决Python 2.7的编码问题（utf-8）。还提供对csv.DictReader的支持

编辑：添加我使用的示例代码：

import ucsv as csv

#Read CSV file containing the right tags to produce
fileObj = open('awol_title_strings.csv', 'rb')
dictReader = csv.DictReader(fileObj, fieldnames = ['titles', 'tags'], delimiter = ',', quotechar = '"')
#Build a dictionary from the CSV file-> {<string>:<tags to produce>}
titleStringsDict = dict()
for row in dictReader:
    titleStringsDict.update({unicode(row['titles']):unicode(row['tags'])})

使用codecs.open的亚历克斯·马尔泰利提示被证明是有用的我。

import codecs

delimiter = ';'
reader = codecs.open("your_filename.csv", 'r', encoding='utf-8')
for line in reader:
    row = line.split(delimiter)
    # do something with your row ...

帮助页面的链接与python 2.6相同，据我所知，自2.5以来，csv模块没有任何变化（除错误修复）。这是无需任何编码/解码即可工作的代码（文件da.csv包含与变量data相同的数据）。我认为您的文件应该正确读取，而不进行任何转换。

test.py：

## -*- coding: utf-8 -*-
#
# NOTE: this first line is important for the version b) read from a string(unicode) variable
#

import csv

data = \
"""0665000FS10120684,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Bleu
0665000FS10120689,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Gris
0665000FS10120687,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Vert"""

# a) read from a file
print 'reading from a file:'
for (f1, f2, f3) in csv.reader(open('da.csv'), dialect=csv.excel):
    print (f1, f2, f3)

# b) read from a string(unicode) variable
print 'reading from a list of strings:'
reader = csv.reader(data.split('\n'), dialect=csv.excel)
for (f1, f2, f3) in reader:
    print (f1, f2, f3)

da.csv：

0665000FS10120684,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Bleu
0665000FS10120689,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Gris
0665000FS10120687,SD1200IS,Appareil photo numérique PowerShot de 10 Mpx de Canon avec trépied (SD1200IS) - Vert

值得一提的是，如果对您没有任何帮助，那么您可能会忘记逃脱自己的道路。
例如，此代码：

f = open("C:\Some\Path\To\file.csv")

会导致错误：

SyntaxError：（unicode错误）“ unicodeescape”编解码器无法解码位置2-3中的字节：截断的\ UXXXXXXXX转义

要解决此问题，只需执行以下操作：

f = open("C:\\Some\\Path\\To\\file.csv")

在Latin-1unicode表上，我看到了字符代码00E9“ LATIN SMALL LETTER E WITH ACUTE ”。这是示例数据中的重音字符。中的一个简单测试Python表明，UTF-8此字符的编码与unicode（几乎UTF-16）编码不同。

>>> u'\u00e9'
u'\xe9'
>>> u'\u00e9'.encode('utf-8')
'\xc3\xa9'
>>> 

我建议您encode("UTF-8")在调用special之前尝试对unicode数据进行处理unicode_csv_reader()。简单地从文件中读取数据可能会隐藏编码，因此请检查实际字符值。

在另一台服务器上也有同样的问题，但意识到语言环境混乱。

export LC_ALL="en_US.UTF-8"

解决了问题