Question

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 = ';'))

除了文件中的第一个字符是意外的这一事实外，一切似乎都有效。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中对内容进行编码应该可以解决问题。但是，添加：

.read().encoding('utf-8-sig')

csv.reader中的

到f失败，显示：

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？

Answer 1

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正常的BOM，否则您可以使用以下方法进行修复：

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

在Python中从gzip'ed CSV中删除BOM

1 个答案: