UnicodeDecodeError: kodek „ascii” nie może zdekodować bajtu 0xe2 na pozycji 13: numer porządkowy poza zakresem (128)

Używam NLTK do klastrowania kmeans na moim pliku tekstowym, w którym każda linia jest traktowana jako dokument. Na przykład mój plik tekstowy wygląda mniej więcej tak:

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

Teraz kod demonstracyjny, który próbuję uruchomić, jest następujący:

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

(które można również znaleźć tutaj )

Otrzymuję następujący błąd:

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)

Co tu się dzieje?

Plik jest odczytywany jako zbiór strs, ale powinien to być unicodes. Python próbuje niejawnie przekonwertować, ale kończy się to niepowodzeniem. Zmiana:

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

jawnie zdekodować strs do unicode(tutaj zakładając UTF-8):

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

Może to również być rozwiązany poprzez import z codecsmodułu i stosując codecs.openzamiast wbudowanego open.

U mnie to działa dobrze.

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

Możesz dodać kodowanie trzeciego parametru, aby upewnić się, że typ kodowania to „utf-8”

Uwaga: ta metoda działa dobrze w Pythonie3, nie próbowałem jej w Pythonie2.7.

U mnie wystąpił problem z kodowaniem terminala. Dodanie UTF-8 do .bashrc rozwiązało problem:

export LC_CTYPE=en_US.UTF-8

Nie zapomnij później ponownie załadować .bashrc:

source ~/.bashrc

Możesz także spróbować:

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

Kiedy na Ubuntu 18.04 używam Python3.6 , rozwiązałem problem, robiąc oba:

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

a jeśli uruchamiasz narzędzie jako wiersz poleceń:

export LC_ALL=C.UTF-8

Zauważ, że jeśli korzystasz z Pythona2.7 , musisz zrobić to inaczej. Najpierw musisz ustawić domyślne kodowanie:

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

a następnie wczytać plik, którego musisz użyć io.opendo ustawienia kodowania:

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

Nadal musisz wyeksportować plik env

export LC_ALL=C.UTF-8

Otrzymałem ten błąd podczas próby zainstalowania pakietu Pythona w kontenerze Dockera. Dla mnie problem polegał na tym, że obraz dockera nie miał localeskonfigurowanego pliku . Dodanie następującego kodu do pliku Dockerfile rozwiązało problem.

# Avoid ascii errors when reading files in Python
RUN apt-get install -y \
  locales && \
  locale-gen en_US.UTF-8
ENV LANG='en_US.UTF-8' LANGUAGE='en_US:en' LC_ALL='en_US.UTF-8'

Aby znaleźć JAKIEKOLWIEK i WSZYSTKIE błędy związane z Unicode ... Używając następującego polecenia:

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

Znalazłem moje w

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

Używając shed, znalazłem obraźliwą sekwencję. Okazało się, że był to błąd redaktora.

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

Możesz spróbować tego przed użyciem job_titlesciągu:

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

W przypadku Pythona 3 domyślne kodowanie to „utf-8”. Poniższe kroki są sugerowane w podstawowej dokumentacji: https://docs.python.org/2/library/csv.html#csv-examples w przypadku jakiegokolwiek problemu

1. Utwórz funkcję

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

2. Następnie użyj funkcji wewnątrz czytnika, np

   csv_reader = csv.reader(utf_8_encoder(unicode_csv_data))

python3x lub nowszy

1. załaduj plik w strumieniu bajtów:

   body = '' for lines in open ('website / index.html', 'rb'): decodedLine = lines.decode ('utf-8') body = body + decodedLine.strip () return body

2. użyj ustawienia globalnego:

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

Użyj open(fn, 'rb').read().decode('utf-8')zamiast po prostuopen(fn).read()