在Python中从gzip’ed CSV中删除BOM
作者:互联网
我正在使用以下代码解压缩并保存CSV文件:
with gzip.open(filename_gz) as f:
file = open(filename, "w");
output = csv.writer(file, delimiter = ',')
output.writerows(csv.reader(f, dialect='excel', delimiter = ';'))
一切似乎都有效,除了文件中的第一个字符是意外的.谷歌搜索似乎表明它是由于文件中的BOM.
我已经读过在utf-8-sig中编码内容应该可以解决这个问题.但是,添加:
.read().encoding('utf-8-sig')
到csv.reader中的f失败:
File "ckan_gz_datastore.py", line 16, in <module>
output.writerows(csv.reader(f.read().encode('utf-8-sig'), dialect='excel', delimiter = ';'))
File "/usr/lib/python2.7/encodings/utf_8_sig.py", line 15, in encode
return (codecs.BOM_UTF8 + codecs.utf_8_encode(input, errors)[0], len(input))
UnicodeDecodeError: 'ascii' codec can't decode byte 0xef in position 0: ordinal not in range(128)
如何删除BOM并将内容保存为正确的utf-8?
解决方法:
首先,您需要解码文件内容,而不是编码它们.
其次,csv模块不喜欢Python 2.7中的unicode字符串,所以解码了你需要转换回utf-8的数据.
最后,csv.reader在文件的行上传递迭代,而不是在其中包含换行符的大字符串.
所以:
csv.reader(f.read().decode('utf-8-sig').encode('utf-8').splitlines())
但是,您可能会认为只是手动删除BOM更简单/更有效:
def remove_bom(line):
return line[3:] if line.startswith(codecs.BOM_UTF8) else line
csv.reader((remove_bom(line) for line in f), dialect = 'excel', delimiter = ';')
这是微妙的不同,因为它从任何以1开头的行中移除BOM,而不是仅从第一行开始.如果您不需要保留其他物料清单,那么您可以使用以下方法修复它:
def remove_bom_from_first(iterable):
f = iter(iterable)
firstline = next(f, None)
if firstline is not None:
yield remove_bom(firstline)
for line in f:
yield f
标签:byte-order-mark,python,csv 来源: https://codeday.me/bug/20190927/1823956.html