Python: konwersja z ISO-8859-1 / latin1 do UTF-8

Mam ten ciąg, który został zdekodowany z Quoted-printable do ISO-8859-1 za pomocą modułu e-mail. To daje mi ciągi takie jak „\ xC4pple”, które odpowiadałyby „Ępple” (Apple po szwedzku). Jednak nie mogę przekonwertować tych ciągów na UTF-8.

>>> 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)

Co powinienem zrobić?

Spróbuj najpierw go zdekodować, a następnie zakoduj:

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

Jest to częsty problem, więc oto stosunkowo dokładna ilustracja.

W przypadku ciągów innych niż Unicode (tj. Bez uprefiksu u'\xc4pple'), należy dekodować z natywnego kodowania ( iso8859-1/ latin1, chyba że zmodyfikowano za pomocąsys.setdefaultencoding funkcji enigmatycznej ) do unicode, a następnie zakodować do zestawu znaków, który może wyświetlać żądane znaki, w tym przypadku I polecamUTF-8 .

Po pierwsze, oto przydatna funkcja narzędziowa, która pomoże wyjaśnić wzorce łańcucha znaków i Unicode w Pythonie 2.7:

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

Zwykły sznurek

>>> 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 "?".

Dekodowanie ciągu iso8859-1 - przekonwertuj zwykły ciąg na Unicode

>>> 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

Trochę więcej ilustracji - z „Ę”

>>> 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').

Kodowanie do UTF

>>> 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')

Związek między Unicode i UTF a latin 1

>>> 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)

Wyjątki Unicode

 >>> 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)

Można by to obejść, konwertując z określonego kodowania (latin-1, utf8, utf16) na Unicode, np. u8.decode('utf8').encode('latin1') .

Może więc można by wyciągnąć następujące zasady i uogólnienia:

• typ strto zestaw bajtów, który może mieć jedno z wielu kodowań, takich jak Latin-1, UTF-8 i UTF-16
• typ unicode to zestaw bajtów, które można przekonwertować na dowolną liczbę kodowań, najczęściej UTF-8 i latin-1 (iso8859-1)
• printkomenda ma swoją logikę do kodowania , ustawsys.stdout.encoding i zalegających UTF-8
• strPrzed konwersją do innego kodowania należy zdekodować a do Unicode.

Oczywiście wszystkie te zmiany w Pythonie 3.x.

Mam nadzieję, że to rozjaśnia.

Dalsza lektura

• Postacie kontra bajty - Tim Bray.

Oraz bardzo ilustracyjne tyrady Armina Ronachera:

• Zaktualizowany przewodnik po Unicode w Pythonie (2 lipca 2013)
• Więcej informacji o Unicode w Pythonie 2 i 3 (5 stycznia 2014)
• UCS vs UTF-8 jako wewnętrzne kodowanie ciągów (9 stycznia 2014)
• Wszystko, czego nie chciałeś wiedzieć o Unicode w Pythonie 3 (12 maja 2014)

W przypadku Pythona 3:

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

Użyłem tego do tekstu niepoprawnie zakodowanego jako iso-8859-1 (pokazując słowa takie jak VeÅ \ x99ejnĂ © ) zamiast utf-8. Ten kod tworzy poprawną wersję Veřejné .

Dekoduj do Unicode, zakoduj wyniki do UTF8.

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

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

Robię to, nie jestem pewien, czy to dobre podejście, ale działa za każdym razem !!