Wiele tweetów, które importuję, ma ten problem, gdy czytają

b'I posted a new photo to Facebook'

Zbieram b, że jest to bajt. Ale okazuje się to problematyczne, ponieważ w moich plikach CSV, które piszę, bnie znika i przeszkadza w przyszłym kodzie.

Czy istnieje prosty sposób na usunięcie tego bprzedrostka z moich wierszy tekstu?

Pamiętaj, że wydaje mi się, że muszę mieć tekst zakodowany w utf-8 lub tweepy ma problemy z wyciągnięciem ich z sieci.

Oto treść linku, który analizuję:

https://www.dropbox.com/s/sjmsbuhrghj7abt/new_tweets.txt?dl=0

new_tweets = 'content in the link'

Próba kodu

outtweets = [[tweet.text.encode("utf-8").decode("utf-8")] for tweet in new_tweets]
print(outtweets)

Błąd

UnicodeEncodeError                        Traceback (most recent call last)
<ipython-input-21-6019064596bf> in <module>()
      1 for screen_name in user_list:
----> 2     get_all_tweets(screen_name,"instance file")

<ipython-input-19-e473b4771186> in get_all_tweets(screen_name, mode)
     99             with open(os.path.join(save_location,'%s.instance' % screen_name), 'w') as f:
    100                 writer = csv.writer(f)
--> 101                 writer.writerows(outtweets)
    102         else:
    103             with open(os.path.join(save_location,'%s.csv' % screen_name), 'w') as f:

C:\Users\Stan Shunpike\Anaconda3\lib\encodings\cp1252.py in encode(self, input, final)
     17 class IncrementalEncoder(codecs.IncrementalEncoder):
     18     def encode(self, input, final=False):
---> 19         return codecs.charmap_encode(input,self.errors,encoding_table)[0]
     20 
     21 class IncrementalDecoder(codecs.IncrementalDecoder):

UnicodeEncodeError: 'charmap' codec can't encode characters in position 64-65: character maps to <undefined>

trzeba zdekodowaćbytes z was chce ciąg:

b = b'1234'
print(b.decode('utf-8'))  # '1234'

Po prostu informuje cię, że drukowany obiekt nie jest łańcuchem, a raczej obiektem bajtowym jako literałem bajtowym . Ludzie wyjaśniają to w niepełny sposób, więc oto moje podejście.

Rozważ utworzenie obiektu bajtowego poprzez wpisanie literału bajtowego (dosłowne zdefiniowanie obiektu bajtowego bez faktycznego używania obiektu bajtowego, np. Przez wpisanie b '') i przekonwertowanie go na obiekt łańcuchowy zakodowany w utf-8. (Zauważ, że konwersja oznacza tutaj dekodowanie )

byte_object= b"test" # byte object by literally typing characters
print(byte_object) # Prints b'test'
print(byte_object.decode('utf8')) # Prints "test" without quotations

Widzisz, że po prostu stosujemy tę .decode(utf8)funkcję.

Bajty w Pythonie

https://docs.python.org/3.3/library/stdtypes.html#bytes

Literały ciągów są opisane za pomocą następujących definicji leksykalnych:

https://docs.python.org/3.3/reference/lexical_analysis.html#string-and-bytes-literals

stringliteral   ::=  [stringprefix](shortstring | longstring)
stringprefix    ::=  "r" | "u" | "R" | "U"
shortstring     ::=  "'" shortstringitem* "'" | '"' shortstringitem* '"'
longstring      ::=  "'''" longstringitem* "'''" | '"""' longstringitem* '"""'
shortstringitem ::=  shortstringchar | stringescapeseq
longstringitem  ::=  longstringchar | stringescapeseq
shortstringchar ::=  <any source character except "\" or newline or the quote>
longstringchar  ::=  <any source character except "\">
stringescapeseq ::=  "\" <any source character>

bytesliteral   ::=  bytesprefix(shortbytes | longbytes)
bytesprefix    ::=  "b" | "B" | "br" | "Br" | "bR" | "BR" | "rb" | "rB" | "Rb" | "RB"
shortbytes     ::=  "'" shortbytesitem* "'" | '"' shortbytesitem* '"'
longbytes      ::=  "'''" longbytesitem* "'''" | '"""' longbytesitem* '"""'
shortbytesitem ::=  shortbyteschar | bytesescapeseq
longbytesitem  ::=  longbyteschar | bytesescapeseq
shortbyteschar ::=  <any ASCII character except "\" or newline or the quote>
longbyteschar  ::=  <any ASCII character except "\">
bytesescapeseq ::=  "\" <any ASCII character>

Musisz go zdekodować, aby przekonwertować go na ciąg. Sprawdź tutaj odpowiedź na temat literału bajtów w python3 .

In [1]: b'I posted a new photo to Facebook'.decode('utf-8')
Out[1]: 'I posted a new photo to Facebook'

**** Jak usunąć znaki b '', które są dekodowanym ciągiem w Pythonie ****

import base64
a='cm9vdA=='
b=base64.b64decode(a).decode('utf-8')
print(b)

W Pythonie 3.6 z django 2.0 dekodowanie literału bajtowego nie działa zgodnie z oczekiwaniami. Tak, otrzymuję właściwy wynik, gdy go drukuję, ale wartość b 'jest nadal obecna, nawet jeśli wydrukujesz ją poprawnie.

To właśnie je koduję

uid': urlsafe_base64_encode(force_bytes(user.pk)),

Oto, co im dekoduję:

uid = force_text(urlsafe_base64_decode(uidb64))

Oto, co mówi django 2.0:

urlsafe_base64_encode(s)[source]

Koduje bajtest w base64 do użycia w adresach URL, usuwając wszelkie końcowe znaki równości.

urlsafe_base64_decode(s)[source]

Dekoduje ciąg zakodowany w standardzie base64, dodając z powrotem wszystkie końcowe znaki równości, które mogły zostać usunięte.

To jest plik my account_activation_email_test.html

{% autoescape off %}
Hi {{ user.username }},

Please click on the link below to confirm your registration:

http://{{ domain }}{% url 'accounts:activate' uidb64=uid token=token %}
{% endautoescape %}

Oto odpowiedź mojej konsoli:

Content-Type: tekst / zwykły; charset = "utf-8" Wersja MIME: 1.0 Content-Transfer-Encoding: 7bit Temat: Aktywuj swoje konto MySite Od: webmaster @ localhost Do: [email protected] Data: piątek, 20 kwietnia 2018 06:26:46 - 0000 Identyfikator wiadomości: <152420560682.16725.4597194169307598579@Dash-U>

Cześć użytkowniku,

Kliknij poniższy link, aby potwierdzić rejestrację:

http://127.0.0.1:8000/activate/b'MjU'/4vi-fasdtRf2db2989413ba/

jak widzisz uid = b'MjU'

spodziewany uid = MjU

test w konsoli:

$ python
Python 3.6.4 (default, Apr  7 2018, 00:45:33) 
[GCC 5.4.0 20160609] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> from django.utils.http import urlsafe_base64_encode, urlsafe_base64_decode
>>> from django.utils.encoding import force_bytes, force_text
>>> var1=urlsafe_base64_encode(force_bytes(3))
>>> print(var1)
b'Mw'
>>> print(var1.decode())
Mw
>>> 

Po zbadaniu wydaje się, że jest on powiązany z Pythonem 3. Moje obejście było dość proste:

'uid': user.pk,

otrzymuję go jako uidb64 w mojej funkcji aktywacji:

user = User.objects.get(pk=uidb64)

i voila:

Content-Transfer-Encoding: 7bit
Subject: Activate Your MySite Account
From: webmaster@localhost
To: [email protected]
Date: Fri, 20 Apr 2018 20:44:46 -0000
Message-ID: <152425708646.11228.13738465662759110946@Dash-U>


Hi testuser,

Please click on the link below to confirm your registration:

http://127.0.0.1:8000/activate/45/4vi-3895fbb6b74016ad1882/

teraz działa dobrze. :)

Zrobiłem to, kodując tylko wyjście za pomocą utf-8. Oto przykład kodu

new_tweets = api.GetUserTimeline(screen_name = user,count=200)
result = new_tweets[0]
try: text = result.text
except: text = ''

with open(file_name, 'a', encoding='utf-8') as f:
    writer = csv.writer(f)
    writer.writerows(text)

tj .: nie koduj podczas zbierania danych z API, koduj tylko wyjście (drukuj lub zapisuj).

Zakładając, że nie chcesz od razu dekodować go ponownie, tak jak sugerują inni, możesz przeanalizować go na ciąg, a następnie po prostu usunąć początkowy 'bi końcowy '.

>>> x = "Hi there 😄" 
>>> x = "Hi there 😄".encode("utf-8") 
>>> x
b"Hi there \xef\xbf\xbd"
>>> str(x)[2:-1]
"Hi there \\xef\\xbf\\xbd"   

Chociaż pytanie jest bardzo stare, myślę, że może być pomocne dla tego, kto ma ten sam problem. Tutaj teksty to ciąg jak poniżej:

text= "b'I posted a new photo to Facebook'"

Dlatego nie możesz usunąć b przez zakodowanie go, ponieważ nie jest to bajt. Wykonałem następujące czynności, aby go usunąć.

cleaned_text = text.split("b'")[1]

który da "I posted a new photo to Facebook"