Ошибка кодирования Unicode Python

Ответ 1

Вероятно, ваша проблема в том, что вы разобрали его в порядке, и теперь вы пытаетесь распечатать содержимое XML, и вы не можете, потому что есть некоторые иностранные символы Unicode. Попробуйте сначала кодировать строку юникода как ascii:

unicodeData.encode('ascii', 'ignore')

часть "ignore" сообщит ему просто пропустить эти символы. Из документов python:

>>> u = unichr(40960) + u'abcd' + unichr(1972)
>>> u.encode('utf-8')
'\xea\x80\x80abcd\xde\xb4'
>>> u.encode('ascii')
Traceback (most recent call last):
  File "<stdin>", line 1, in ?
UnicodeEncodeError: 'ascii' codec can't encode character '\ua000' in position 0: ordinal not in range(128)
>>> u.encode('ascii', 'ignore')
'abcd'
>>> u.encode('ascii', 'replace')
'?abcd?'
>>> u.encode('ascii', 'xmlcharrefreplace')
'&#40960;abcd&#1972;'

Возможно, вы захотите прочитать эту статью: http://www.joelonsoftware.com/articles/Unicode.html, который я нашел очень полезным в качестве основного учебника о том, что происходит. После чтения вы перестанете чувствовать, что вы просто угадываете, какие команды использовать (или, по крайней мере, это случилось со мной).

Ответ 2

Лучшее решение:

if type(value) == str:
    # Ignore errors even if the string is not proper UTF-8 or has
    # broken marker bytes.
    # Python built-in function unicode() can do this.
    value = unicode(value, "utf-8", errors="ignore")
else:
    # Assume the value object has proper __unicode__() method
    value = unicode(value)

Если вы хотите узнать больше о том, почему:

http://docs.plone.org/manage/troubleshooting/unicode.html#id1

Ответ 3

Не скопируйте кодировку символов вашей среды внутри script; напечатайте текст Unicode напрямую:

assert isinstance(text, unicode) # or str on Python 3
print(text)

Если ваш выход перенаправляется в файл (или канал); вы можете использовать PYTHONIOENCODING envvar, чтобы указать кодировку символов:

$ PYTHONIOENCODING=utf-8 python your_script.py >output.utf8

В противном случае python your_script.py должен работать как есть - ваши настройки языка используются для кодирования текста (при проверке POSIX: LC_ALL, LC_CTYPE, LANG envvars - установите LANG в utf- 8, если необходимо).

Чтобы напечатать Unicode в Windows, см. этот ответ, который показывает, как печатать Unicode в консоли Windows, в файл или с помощью IDLE.

Ответ 4

Отличное сообщение: http://www.carlosble.com/2010/12/understanding-python-and-unicode/

# -*- coding: utf-8 -*-

def __if_number_get_string(number):
    converted_str = number
    if isinstance(number, int) or \
            isinstance(number, float):
        converted_str = str(number)
    return converted_str


def get_unicode(strOrUnicode, encoding='utf-8'):
    strOrUnicode = __if_number_get_string(strOrUnicode)
    if isinstance(strOrUnicode, unicode):
        return strOrUnicode
    return unicode(strOrUnicode, encoding, errors='ignore')


def get_string(strOrUnicode, encoding='utf-8'):
    strOrUnicode = __if_number_get_string(strOrUnicode)
    if isinstance(strOrUnicode, unicode):
        return strOrUnicode.encode(encoding)
    return strOrUnicode

Ответ 5

Вы можете использовать что-то из формы

s.decode('utf-8')

который преобразует кодированную UTF-8 байтовую строку в строку Unicode Python. Но точная процедура использования зависит от того, как вы загружаете и разбираете XML файл, например. если вы никогда не обращаетесь непосредственно к строке XML, вам может потребоваться использовать объект декодера из codecs module.

Ответ 6

Я написал следующее, чтобы исправить неудобные кавычки без ascii и принудительное преобразование в нечто полезное.

unicodeToAsciiMap = {u'\u2019':"'", u'\u2018':"`", }

def unicodeToAscii(inStr):
    try:
        return str(inStr)
    except:
        pass
    outStr = ""
    for i in inStr:
        try:
            outStr = outStr + str(i)
        except:
            if unicodeToAsciiMap.has_key(i):
                outStr = outStr + unicodeToAsciiMap[i]
            else:
                try:
                    print "unicodeToAscii: add to map:", i, repr(i), "(encoded as _)"
                except:
                    print "unicodeToAscii: unknown code (encoded as _)", repr(i)
                outStr = outStr + "_"
    return outStr

Ответ 7

Попробуйте добавить следующую строку вверху вашего python script.

# _*_ coding:utf-8 _*_

Ответ 8

Если вам нужно напечатать приблизительное представление строки на экране, а не игнорировать эти непечатаемые символы, попробуйте unidecode здесь:

https://pypi.python.org/pypi/Unidecode

Объяснение можно найти здесь:

https://www.tablix.org/~avian/blog/archives/2009/01/unicode_transliteration_in_python/

Это лучше, чем использование u.encode('ascii', 'ignore') для данной строки u и может избавить вас от ненужной головной боли, если точность символов не то, что вы после, но все же хотите иметь человеческую читаемость.

Wirawan