UnicodeDecodeError: кодек ascii не может декодировать байт 0xe2 в позиции 13: порядковый номер не в диапазоне (128)

Я использую NLTK для кластеризации kmeans в моем текстовом файле, в котором каждая строка рассматривается как документ. Например, мой текстовый файл выглядит примерно так:

belong finger death punch <br>
hasty <br>
mike hasty walls jericho <br>
jägermeister rules <br>
rules bands follow performing jägermeister stage <br>
approach

Теперь я пытаюсь запустить демонстрационный код:

import sys

import numpy
from nltk.cluster import KMeansClusterer, GAAClusterer, euclidean_distance
import nltk.corpus
from nltk import decorators
import nltk.stem

stemmer_func = nltk.stem.EnglishStemmer().stem
stopwords = set(nltk.corpus.stopwords.words('english'))

@decorators.memoize
def normalize_word(word):
    return stemmer_func(word.lower())

def get_words(titles):
    words = set()
    for title in job_titles:
        for word in title.split():
            words.add(normalize_word(word))
    return list(words)

@decorators.memoize
def vectorspaced(title):
    title_components = [normalize_word(word) for word in title.split()]
    return numpy.array([
        word in title_components and not word in stopwords
        for word in words], numpy.short)

if __name__ == '__main__':

    filename = 'example.txt'
    if len(sys.argv) == 2:
        filename = sys.argv[1]

    with open(filename) as title_file:

        job_titles = [line.strip() for line in title_file.readlines()]

        words = get_words(job_titles)

        # cluster = KMeansClusterer(5, euclidean_distance)
        cluster = GAAClusterer(5)
        cluster.cluster([vectorspaced(title) for title in job_titles if title])

        # NOTE: This is inefficient, cluster.classify should really just be
        # called when you are classifying previously unseen examples!
        classified_examples = [
                cluster.classify(vectorspaced(title)) for title in job_titles
            ]

        for cluster_id, title in sorted(zip(classified_examples, job_titles)):
            print cluster_id, title

(который также можно найти здесь)

Я получаю следующую ошибку:

Traceback (most recent call last):
File "cluster_example.py", line 40, in
words = get_words(job_titles)
File "cluster_example.py", line 20, in get_words
words.add(normalize_word(word))
File "", line 1, in
File "/usr/local/lib/python2.7/dist-packages/nltk/decorators.py", line 183, in memoize
result = func(*args)
File "cluster_example.py", line 14, in normalize_word
return stemmer_func(word.lower())
File "/usr/local/lib/python2.7/dist-packages/nltk/stem/snowball.py", line 694, in stem
word = (word.replace(u"\u2019", u"\x27")
UnicodeDecodeError: 'ascii' codec can't decode byte 0xe2 in position 13: ordinal not in range(128)

Что здесь происходит?

Ответ 1

Файл читается как куча str s, но он должен быть unicode s. Python пытается неявно преобразовывать, но терпит неудачу. Изменение:

job_titles = [line.strip() for line in title_file.readlines()]

чтобы явно декодировать str до unicode (здесь предполагается UTF-8):

job_titles = [line.decode('utf-8').strip() for line in title_file.readlines()]

Это также можно решить, импортировав модуль codecs и используя codecs.open, а не встроенный open.

Ответ 2

Это отлично работает для меня.

f = open(file_path, 'r+', encoding="utf-8")

Вы можете добавить третью переменную параметра, чтобы обеспечить тип кодирования "utf-8"

Примечание: этот метод отлично работает в Python3, я не пробовал его в Python2.7.

Ответ 3

Вы также можете попробовать:

import sys
reload(sys)
sys.setdefaultencoding('utf8')

Ответ 4

Для меня возникла проблема с терминальной кодировкой. Добавление UTF-8 в.bashrc решило проблему:

export LC_CTYPE=en_US.UTF-8

Не забудьте перезагрузить.bashrc впоследствии:

source ~/.bashrc

Ответ 5

Когда в Ubuntu 18.04 использовался Python3.6, я решил проблему, выполнив оба действия:

with open(filename, encoding="utf-8") as lines:

и если вы запускаете инструмент в виде командной строки:

export LC_ALL=C.UTF-8

Обратите внимание, что если вы находитесь в Python2.7, вы должны сделать это по-другому. Сначала вы должны установить кодировку по умолчанию:

import sys
reload(sys)
sys.setdefaultencoding('utf-8')

а затем для загрузки файла вы должны использовать io.open для установки кодировки:

import io
with io.open(filename, 'r', encoding='utf-8') as lines:

Вам все еще нужно экспортировать env

export LC_ALL=C.UTF-8

Ответ 6

Чтобы найти ЛЮБЫЕ и ВСЕ ошибки, связанные с юникодом... Используя следующую команду:

grep -r -P '[^\x00-\x7f]' /etc/apache2 /etc/letsencrypt /etc/nginx

Найдена моя в

/etc/letsencrypt/options-ssl-nginx.conf:        # The following CSP directives don't use default-src as

Используя shed, я нашел оскорбительную последовательность. Это оказалось ошибкой редактора.

00008099:     C2  194 302 11000010
00008100:     A0  160 240 10100000
00008101:  d  64  100 144 01100100
00008102:  e  65  101 145 01100101
00008103:  f  66  102 146 01100110
00008104:  a  61  097 141 01100001
00008105:  u  75  117 165 01110101
00008106:  l  6C  108 154 01101100
00008107:  t  74  116 164 01110100
00008108:  -  2D  045 055 00101101
00008109:  s  73  115 163 01110011
00008110:  r  72  114 162 01110010
00008111:  c  63  099 143 01100011
00008112:     C2  194 302 11000010
00008113:     A0  160 240 10100000

Ответ 7

Вы можете попробовать это перед использованием строки job_titles:

source = unicode(job_titles, 'utf-8')

Ответ 8

Для python 3 кодировка по умолчанию будет "utf-8". В базовой документации предлагаются следующие шаги: https://docs.python.org/2/library/csv.html#csv-examples в случае возникновения каких-либо проблем

Создать функцию

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

Затем используйте функцию внутри считывателя, например
```
csv_reader = csv.reader(utf_8_encoder(unicode_csv_data))
```

Ответ 9

Укажите: # encoding = utf-8 в верхней части вашего файла Python, это должно решить проблему

Ответ 10

Используйте open(fn, 'rb').read().decode('utf-8') вместо просто open(fn).read()

Ответ 11

Python3x или выше

загрузить файл в байтовом потоке:

body = '' для открытых строк ('website/index.html', 'rb'): decodedLine = lines.decode('utf-8') body = body + decodedLine.strip() вернуть тело
использовать глобальные настройки:

import io import sys sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding = 'utf-8')

Ответ 12

У export LC_ALL=C.UTF-8 ответа export LC_ALL=C.UTF-8.