Python : Conversion d'ISO-8859-1/latin1 en UTF-8

Question

J'ai cette chaîne qui a été décodée de Quoted-printable à ISO-8859-1 avec le module de messagerie. Cela me donne des chaînes comme " \xC4pple "ce qui correspondrait à "Äpple" (pomme en suédois). Cependant, je ne peux pas convertir ces chaînes en 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)

Que dois-je faire ?

Answer 1

Il s'agit d'un problème courant, aussi en voici une illustration relativement complète.

Pour les chaînes non unicode (c'est-à-dire celles qui n'ont pas de u préfixe comme u'\xc4pple' ), on doit décoder à partir de l'encodage natif ( iso8859-1 / latin1 à moins que modifié avec l'énigmatique sys.setdefaultencoding ) pour unicode puis encoder vers un jeu de caractères qui peut afficher les caractères que vous souhaitez, dans ce cas je recommanderais UTF-8 .

Tout d'abord, voici une fonction utilitaire pratique qui vous aidera à éclairer les modèles de chaîne et d'unicode de Python 2.7 :

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

Une chaîne de caractères simple

>>> 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 "?".

Décodage d'une chaîne iso8859-1 - convertir une chaîne simple en 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

Un peu plus d'illustration - avec "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').

Encodage en 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')

Relation entre unicode et UTF et 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)

Exceptions 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)

On peut contourner ces problèmes en convertissant l'encodage spécifique (latin-1, utf8, utf16) en unicode, par exemple. u8.decode('utf8').encode('latin1') .

On pourrait donc peut-être tirer les principes et généralisations suivants :

• un type str est un ensemble d'octets, qui peut avoir l'un des nombreux codages suivants : Latin-1, UTF-8 et UTF-16.
• un type unicode est un ensemble d'octets qui peuvent être convertis en un nombre quelconque de codages, le plus souvent UTF-8 et latin-1 (iso8859-1).
• le site print Le commandement a sa propre logique d'encodage fixé à sys.stdout.encoding et par défaut UTF-8
• On doit décoder un str en unicode avant de le convertir en un autre encodage.

Bien entendu, tout cela change dans Python 3.x.

J'espère que cela vous éclairera.

Autres lectures

• Caractères ou octets par Tim Bray.

Et les coups de gueule très illustratifs d'Armin Ronacher :

• Le guide actualisé de l'Unicode sur Python (2 juillet 2013)
• Plus d'informations sur l'Unicode dans Python 2 et 3 (5 janvier 2014)
• UCS vs UTF-8 comme codage interne des chaînes de caractères (9 janvier 2014)
• Tout ce que vous ne vouliez pas savoir sur l'Unicode dans Python 3 (12 mai 2014).

Answer 2

Essayez d'abord de le décoder, puis de le coder :

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

Answer 3

Pour Python 3 :

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

Je l'ai utilisé pour un texte incorrectement encodé en iso-8859-1 (montrant des mots comme VeÅ \x99ejn é ) au lieu de utf-8. Ce code produit une version correcte Veřejné .

Answer 4

Décoder en Unicode, encoder les résultats en UTF8.

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

Answer 5

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

Je fais ça, je ne suis pas sûr que ce soit une bonne approche mais ça marche à chaque fois ! !!