Question

我正在使用雪球词干来阻止文档中的单词，如下面的代码片段所示。

    stemmer = EnglishStemmer()
    # Stem, lowercase, substitute all punctuations, remove stopwords.
    attribute_names = [stemmer.stem(token.lower()) for token in wordpunct_tokenize(re.sub('[%s]' % re.escape(string.punctuation), '', doc)) if token.lower() not in stopwords.words('english')]

当我在Eclipse中使用PyDev在文档上运行它时，我没有收到任何错误。当我在终端（Mac OSX）中运行它时，我收到以下错误。有人可以帮忙吗？

File "data_processing.py", line 171, in __filter__
attribute_names = [stemmer.stem(token.lower()) for token in   wordpunct_tokenize(re.sub('[%s]' % re.escape(string.punctuation), '', doc)) if token.lower()     not in stopwords.words('english')]

File "7.3/lib/python2.7/site-packages/nltk-2.0.4-py2.7.egg/nltk/stem/snowball.py", line   694, in stem
word = (word.replace(u"\u2019", u"\x27")

UnicodeDecodeError: 'ascii' codec can't decode byte 0xc2 in position 7: ordinal not in range(128)

Answer 1

这适用于PyDev，因为它将Python本身配置为在控制台的编码中工作（通常是UTF-8）。

如果你进入运行配置（运行＆gt;运行配置），你可以在PyDev中重现相同的错误，然后在'common'选项卡上说你希望编码为ascii。

这是因为你的单词是一个字符串而你正在用unicode字符替换。

我希望下面的代码为您提供一些启示：

这都是将ascii视为默认编码：

>>> 'íã'.replace(u"\u2019", u"\x27")
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'ascii' codec can't decode byte 0xa1 in position 0: ordinal not in range(128)

但是如果你在unicode中完成所有操作，那么它可以工作（如果你希望处理字符串而不是unicode，你可能需要将其编码回你期望的编码）。

>>> u'íã'.replace(u"\u2019", u"\x27")
u'\xed\xe3'

因此，您可以在替换

之前创建字符串unicode

>>> 'íã'.decode('cp850').replace(u"\u2019", u"\x27")
u'\xed\xe3'

或者您可以对替换字符进行编码

>>> 'íã'.replace(u"\u2019".encode('utf-8'), u"\x27".encode('utf-8'))
'\xa1\xc6'

但请注意，您必须知道您在任何地方使用的实际编码是什么（因此，虽然我在示例中使用的是cp850或utf-8，但它可能与您必须使用的编码不同）

Answer 2

正如Fabio所说，这是因为Pydev改变了Python的默认编码。你知道的，有三种可能的解决方案：

在Pydev之外测试您的代码

Pydev将隐藏您的编码问题，直到您在Eclipse之外运行代码。因此，不要使用Eclipse的“运行”按钮，而是从shell测试代码。

我不建议这样做：这意味着您的开发环境将与您的运行环境不同，这只会导致错误。

更改Python的默认编码

你可以改变Python的环境以适应Pydev的。它在this question ( How to set the default encoding to UTF-8 in Python? )中进行了讨论。

This answer会告诉您如何操作，this one会告诉您为什么不这样做。

长话短说，不要。

阻止Pydev更改Python的默认编码

如果您使用的是Python 2，Python的默认编码应为ascii。因此，不要让你的环境通过黑客攻击Pydev，你最好强迫Pydev“行为”。如何做到这一点被讨论here。

Python NLTK雪球在终端中阻止UnicodeDecodeError而不是Eclipse PyDev

2 个答案: