Question

我在有一种情况的情况下实现了该应用程序，即在将文件标准化后读取文件，但是在读取文件时出现以下错误：以下是我的尝试

  def unicodeToAscii(self,s):
        return ''.join(c for c in unicodedata.normalize('NFD',s) if unicodedata.category(c)!='Mn')

def normalizeString(self,s):
        s=self.unicodeToAscii(s.lower().strip())
        s=re.sub(r"([.!?])",r" \1",s)
        s=re.sub(r"([^a-zA-Z.!?])",r" ",s)
        s=re.sub(r"(\s+)",r" ",s).strip()
        return s

dataFile=os.path.join('/home/amit/Downloads/cornell_movie_dialogs_corpus/cornell movie-dialogs corpus','formatted_movie_lines')
print('please wait .. reading a file') 

lines =open(dataFile).read().strip().split('\n')
vocal=Vocabulary()
pairs=[[vocal.normalizeString(unicode(s))for s in pair.split('\t')] for pair in lines]
print('done reading')

错误：

please wait .. reading a file
---------------------------------------------------------------------------
UnicodeDecodeError                        Traceback (most recent call last)
<ipython-input-2-4142a7dbef84> in <module>()
    118 lines =open(dataFile).read().strip().split('\n')
    119 vocal=Vocabulary()
--> 120 pairs=[[vocal.normalizeString(unicode(s))for s in pair.split('\t')] for pair in lines]
    121 print('done reading')
    122 

UnicodeDecodeError: 'ascii' codec can't decode byte 0xad in position 28: ordinal not in range(128)

Answer 1

您正在执行的Unicode规范化是不是将所有内容转换为ASCII。它只是应用Unicode规范化，以确保variant encodings都以相同的方式表示。（此外，在Mn类别中避免这样做，因此规范化也不完整。）

就其价值而言，U+00AD是一个软连字符，与绝大多数Unicode字符一样，它没有对应的纯ASCII字符，尽管您可以使用常规的破折号/减号来近似它。 /连字符-。内置的'replace'功能将简单地将其替换为问号，

>>> '\00ad'.encode('ascii', 'replace')
b'?'

'ascii'编解码器无法解码位置28的字节0xad：序数不在范围（128）

1 个答案: