使用Python读取UTF8格式的CSV文件

Question

我正在尝试使用Python读取带有重音字符的CSV文件（仅包含法语和/或西班牙语字符）。基于Python 2.5文档中csvreader（http://docs.python.org/library/csv.html）的说明，我编写了以下代码来读取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:
        ...

以下是我正在尝试读取的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
...

尽管我尝试将编码/解码为UTF-8，但仍然收到以下异常：

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)

我该如何解决这个问题？

- Martin

---

Martin，如果你在附近，你是否考虑将被接受的答案从Martelli的Python 2-only答案切换过来。 - Antti Haapala -- Слава Україні

Answer 1

使用.encode方法将Unicode字符串转换为字节串；但是你现在却把它应用到了一个字节串上...这样是错误的！请查看标准库中的codecs模块，特别关注codecs.open方法，以获得更好的通用解决方案来读取UTF-8编码的文本文件。然而，对于特定的csv模块，您需要传入utf-8数据，这就是您已经获得的数据，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 

注意：如果发现您的输入数据不是utf-8编码，而是ISO-8859-1等编码，则需要进行"转码"（如果想在csv模块层面使用utf-8），转码的形式为line.decode('奇怪的编码').encode('utf-8')。但是，您可能只需在上述代码中的yield行中使用现有编码的名称，而不是'utf-8'，因为csv可以处理ISO-8859-*编码的字节流。

- Alex Martelli

---

这是否意味着 Python 文档中的示例（原帖作者复制并粘贴的内容）是错误的？如果给它一个 Unicode CSV 文件会出现问题，那这个额外的编码步骤有什么意义？ - Anentropic

请查看此答案以获取Python 3的信息：https://dev59.com/WHNA5IYBdhLWcg3wk--A#14786752 - Antti Haapala -- Слава Україні

Answer 2

Python 2.X

有一个unicode-csv库，可以解决您的问题，并且不需要编写任何新的与 csv 相关的代码。

这是他们 README 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

Python 3.X

在Python 3中，内置的csv模块可以直接支持此功能。请参考以下示例：

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

- jb.

---

如果你的CSV文件带有BOM前缀U+FEFF，那么使用encoding='utf-8-sig'可以帮助你。使用这种编码打开文件将自动删除BOM。否则，它会让csv以为第一个字段名称以BOM字符开头，导致无法删除引号，因此reader.fieldnames[0]可能是'\ufeff"Date"'而不是'Date'。 - Bob Stein

Answer 3

如果您想使用utf-8编码读取CSV文件，我建议您采用以下类似的简单方法：

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

有了这个语句，您可以稍后使用CSV读取器进行操作。

- Nick Cuevas

---

这是否只支持 Python 3？在 Python 2 中，它运行失败了。在 open 函数中使用 encoding 参数无效。请问这是否可能？ - Zvika

@Zvika 是的，在Python 3中，这个解决方案是可行的：open('file.csv', 'r', encoding="ISO8859")。 - luca76

我还会添加open(file_name, "rt", encoding='utf-8')，也就是以“读取文本”模式打开文件。 - Jimmy Lee Jones

@JimmyLeeJones，由于默认情况下open使用“读取文本”模式，因此'r'和'rt'是相同的。 - Louis Cottereau

Answer 4

当您想要打开文件时，我建议使用以下代码。

open('/content/sasan.csv' , 'r', encoding='utf-8', errors='ignore' )

- Mohsen Navazani

Answer 5

此外，还可以查看此帖子中的答案：https://dev59.com/33I-5IYBdhLWcg3wc3-w#9347871

它建议使用名为ucsv.py的库。这个库是为了解决Python 2.7中编码问题（utf-8）而编写的CSV文件的简短且简单的替代品。还提供了对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'])})

- Atripavan

---

你应该在回答中加入一些链接细节，以防链接失效。 - Yaje

#Downvoter- 不确定为什么您认为它没有用。对我来说，ucsv库完全正常。帮助解决了我两天以来一直苦苦挣扎的Unicode错误。如果您正在寻找一些示例代码，请在编辑中查看。 @Yaje- 我已经提供了一些细节；还有示例代码。并且还更正了链接，之前指向了其他帖子。 - Atripavan

你为什么要以二进制形式打开文本文件呢？'rb' 是用于打开二进制文件的。 - Codeguy007

Answer 6

像Alex Martelli建议的那样使用codecs.open对我很有帮助。

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 ...

- user1154664

---

并非所有的CSV格式都可以使用，以下是一个有效的CSV行： "Foo Bar; Baz"; 231; 313; ";;;"; 1; - jb.

你导入了 csv 模块，但没有使用它。 - Christophe Roussy

Answer 7

帮助页面的链接对于Python 2.6是相同的，据我所知自从2.5版本以来csv模块没有发生任何改变（除了错误修复）。 以下是代码，可以在不进行任何编码/解码的情况下正常工作（文件da.csv包含变量data中的相同数据）。我假设您的文件应该在没有任何转换的情况下正确读取。

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

- van

---

我想知道这个程序在哪个版本的Python中可以运行？我在2.7和3.5版本中都遇到了错误。"ValueError: not enough values to unpack (expected 3, got 1)" - eis

@eis：我可以想象在你的系统上逗号不是默认分隔符。尝试添加delimiter=','而不是dialect=csv.excel。 - van

Answer 8

值得注意的是，如果所有方法都无效，可能是您忘记转义路径了。
例如，这段代码：

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的字节：截断的\UXXXXXXXX转义

要修复，只需执行以下操作：

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

- OfirD

Answer 9

看着Latin-1 unicode 表格, 我看到字符代码 00E9 "LATIN SMALL LETTER E WITH ACUTE". 这是你的样本数据中的重音字符。在Python中进行简单测试显示，对于这个字符，UTF-8编码与unicode（几乎是UTF-16）编码不同。

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

我建议您在调用特殊的unicode_csv_reader()之前尝试对Unicode数据进行encode("UTF-8")编码。 仅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。

- gimel

Answer 10

在另一台服务器上遇到了同样的问题，但意识到本地化设置出了问题。

export LC_ALL="en_US.UTF-8"

问题已经解决

- Piotr Pęczek