Python: ISO-8859-1 / latin1'den UTF-8'e dönüştürme

E-posta modülü ile Quoted-printable'dan ISO-8859-1'e kodu çözülmüş bu dizeye sahibim. Bu bana "\ xC4pple" gibi "Äpple" (İsveççe Apple) 'a karşılık gelen dizeler veriyor. Ancak, bu dizeleri UTF-8'e dönüştüremiyorum.

>>> apple = "\xC4pple"
>>> apple
'\xc4pple'
>>> apple.encode("UTF-8")
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc4 in position 0: ordinal not in     range(128)

Ne yapmalıyım?

Önce kodunu çözmeyi, ardından kodlamayı deneyin:

apple.decode('iso-8859-1').encode('utf8')

Bu yaygın bir sorundur, bu yüzden burada nispeten kapsamlı bir örnek var.

Unicode olmayan dizeler için (yani uöneki olmayanlar u'\xc4pple'), yerel kodlamadan ( iso8859-1/ latin1, esrarengizsys.setdefaultencoding işlevle değiştirilmedikçe ) kodunu çözmeliunicode , ardından istediğiniz karakterleri görüntüleyebilecek bir karakter setine kodlamalısınız, bu durumda I tavsiye ederim UTF-8.

İlk olarak, Python 2.7 dizesi ve unicode kalıplarını aydınlatmaya yardımcı olacak kullanışlı bir yardımcı program işlevi:

>>> def tell_me_about(s): return (type(s), s)

Düz bir dize

>>> v = "\xC4pple" # iso-8859-1 aka latin1 encoded string

>>> tell_me_about(v)
(<type 'str'>, '\xc4pple')

>>> v
'\xc4pple'        # representation in memory

>>> print v
?pple             # map the iso-8859-1 in-memory to iso-8859-1 chars
                  # note that '\xc4' has no representation in iso-8859-1, 
                  # so is printed as "?".

ISO8859-1 dizesinin kodunu çözme - düz dizeyi unicode'a dönüştür

>>> uv = v.decode("iso-8859-1")
>>> uv
u'\xc4pple'       # decoding iso-8859-1 becomes unicode, in memory

>>> tell_me_about(uv)
(<type 'unicode'>, u'\xc4pple')

>>> print v.decode("iso-8859-1")
Äpple             # convert unicode to the default character set
                  # (utf-8, based on sys.stdout.encoding)

>>> v.decode('iso-8859-1') == u'\xc4pple'
True              # one could have just used a unicode representation 
                  # from the start

Biraz daha örnek - "Ä" ile

>>> u"Ä" == u"\xc4"
True              # the native unicode char and escaped versions are the same

>>> "Ä" == u"\xc4"  
False             # the native unicode char is '\xc3\x84' in latin1

>>> "Ä".decode('utf8') == u"\xc4"
True              # one can decode the string to get unicode

>>> "Ä" == "\xc4"
False             # the native character and the escaped string are
                  # of course not equal ('\xc3\x84' != '\xc4').

UTF'ye kodlama

>>> u8 = v.decode("iso-8859-1").encode("utf-8")
>>> u8
'\xc3\x84pple'    # convert iso-8859-1 to unicode to utf-8

>>> tell_me_about(u8)
(<type 'str'>, '\xc3\x84pple')

>>> u16 = v.decode('iso-8859-1').encode('utf-16')
>>> tell_me_about(u16)
(<type 'str'>, '\xff\xfe\xc4\x00p\x00p\x00l\x00e\x00')

>>> tell_me_about(u8.decode('utf8'))
(<type 'unicode'>, u'\xc4pple')

>>> tell_me_about(u16.decode('utf16'))
(<type 'unicode'>, u'\xc4pple')

Unicode ile UTF ve latin1 arasındaki ilişki

>>> print u8
Äpple             # printing utf-8 - because of the encoding we now know
                  # how to print the characters

>>> print u8.decode('utf-8') # printing unicode
Äpple

>>> print u16     # printing 'bytes' of u16
���pple

>>> print u16.decode('utf16')
Äpple             # printing unicode

>>> v == u8
False             # v is a iso8859-1 string; u8 is a utf-8 string

>>> v.decode('iso8859-1') == u8
False             # v.decode(...) returns unicode

>>> u8.decode('utf-8') == v.decode('latin1') == u16.decode('utf-16')
True              # all decode to the same unicode memory representation
                  # (latin1 is iso-8859-1)

Unicode İstisnaları

 >>> u8.encode('iso8859-1')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc3 in position 0:
  ordinal not in range(128)

>>> u16.encode('iso8859-1')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'ascii' codec can't decode byte 0xff in position 0:
  ordinal not in range(128)

>>> v.encode('iso8859-1')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc4 in position 0:
  ordinal not in range(128)

Belirli kodlamadan (latin-1, utf8, utf16) unicode'a, örneğin u8.decode('utf8').encode('latin1').

O halde belki aşağıdaki ilkeleri ve genellemeleri çizebiliriz:

• Bir tip str, Latince-1, UTF-8 olarak kodlamanın bir dizi tek ve UTF-16 sahip olabilir bayt bir dizi,
• tür unicode, en yaygın olarak UTF-8 ve latin-1 (iso8859-1) olmak üzere, herhangi bir sayıda kodlamaya dönüştürülebilen bir bayt kümesidir.
• printKomut vardır kodlamak için kendi mantığı , hiç seti sys.stdout.encodingve UTF-8 varsaymak
• strBaşka bir kodlamaya dönüştürmeden önce a'nın unicode kodunu çözmesi gerekir .

Tabii ki, tüm bunlar Python 3.x'te değişir.

Umarım bu aydınlatıcıdır.

daha fazla okuma

• Karakterler Baytlara Karşı , Tim Bray.

Ve Armin Ronacher'in çok açıklayıcı rantları:

• Python'da Unicode için Güncellenmiş Kılavuz (2 Temmuz 2013)
• Python 2 ve 3'te Unicode Hakkında Daha Fazla Bilgi (5 Ocak 2014)
• Dahili Dize Kodlaması olarak UCS ve UTF-8 (9 Ocak 2014)
• Python 3'te Unicode hakkında bilmek istemediğiniz her şey (12 Mayıs 2014)

Python 3 için:

bytes(apple,'iso-8859-1').decode('utf-8')

Bunu , utf-8 yerine yanlış iso-8859-1 ( VeÅ \ x99ejnà © gibi kelimeleri gösteren) olarak kodlanmış bir metin için kullandım . Bu kod, doğru Veřejné sürümünü üretir .

Unicode'a deşifre edin, sonuçları UTF8 olarak kodlayın.

apple.decode('latin1').encode('utf8')

concept = concept.encode('ascii', 'ignore') 
concept = MySQLdb.escape_string(concept.decode('latin1').encode('utf8').rstrip())

Bunu yapıyorum, bunun iyi bir yaklaşım olup olmadığından emin değilim ama her seferinde işe yarıyor !!