Python: Mengonversi dari ISO-8859-1 / latin1 ke UTF-8

Saya memiliki string ini yang telah diterjemahkan dari Quoted-printable ke ISO-8859-1 dengan modul email. Ini memberi saya string seperti "\ xC4pple" yang akan sesuai dengan "Äpple" (Apple dalam bahasa Swedia). Namun, saya tidak dapat mengonversi string tersebut ke 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)

Apa yang harus saya lakukan?

Coba decoding terlebih dahulu, lalu encoding:

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

Ini adalah masalah umum, jadi inilah ilustrasi yang relatif menyeluruh.

Untuk string non-unicode (yaitu yang tanpa uawalan seperti u'\xc4pple'), seseorang harus mendekode dari pengkodean asli ( iso8859-1/ latin1, kecuali dimodifikasi dengansys.setdefaultencoding fungsi enigmatik ) ke unicode, kemudian menyandikan ke kumpulan karakter yang dapat menampilkan karakter yang Anda inginkan, dalam hal ini saya akan merekomendasikan UTF-8.

Pertama, berikut adalah fungsi utilitas praktis yang akan membantu menerangi pola string dan unicode Python 2.7:

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

Benang polos

>>> 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 "?".

Mendekode string iso8859-1 - ubah string biasa menjadi 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

Sedikit lebih banyak ilustrasi - dengan "Ä"

>>> 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').

Pengkodean ke 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')

Hubungan antara unicode dan UTF dan latin1

>>> 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)

Pengecualian 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)

Seseorang akan menyiasatinya dengan mengubah dari pengkodean tertentu (latin-1, utf8, utf16) ke unicode misalnya u8.decode('utf8').encode('latin1').

Jadi mungkin seseorang dapat menarik prinsip dan generalisasi berikut:

• type stradalah sekumpulan byte, yang mungkin memiliki salah satu dari sejumlah encoding seperti Latin-1, UTF-8, dan UTF-16
• tipe unicodeadalah sekumpulan byte yang dapat dikonversi ke sejumlah penyandiaksaraan, paling umum UTF-8 dan latin-1 (iso8859-1)
• yang printperintah memiliki logika sendiri untuk encoding , set ke sys.stdout.encodingdan default ke UTF-8
• Seseorang harus mendekode a strmenjadi unicode sebelum mengonversi ke pengkodean lain.

Tentu saja, semua ini berubah pada Python 3.x.

Harapan itu mencerahkan.

Bacaan lebih lanjut

• Karakter vs. Bytes , oleh Tim Bray.

Dan kata-kata kasar yang sangat ilustratif oleh Armin Ronacher:

• Panduan yang Diperbarui untuk Unicode pada Python (2 Juli 2013)
• Lebih Lanjut Tentang Unicode di Python 2 dan 3 (5 Januari 2014)
• UCS vs UTF-8 sebagai Internal String Encoding (9 Januari 2014)
• Segala sesuatu yang tidak ingin Anda ketahui tentang Unicode dengan Python 3 (12 Mei 2014)

Untuk Python 3:

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

Saya menggunakan ini untuk teks yang salah dikodekan sebagai iso-8859-1 (menunjukkan kata-kata seperti VeÅ \ x99ejnà © ) dan bukan utf-8. Kode ini menghasilkan versi Veřejné yang benar .

Decode ke Unicode, encode hasil ke UTF8.

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

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

Saya melakukan ini, saya tidak yakin apakah itu pendekatan yang baik tetapi berhasil setiap saat !!