Python: Konvertierung von ISO-8859-1 / latin1 nach UTF-8

Ich habe diese Zeichenfolge, die mit dem E-Mail-Modul von Quoted-printable nach ISO-8859-1 dekodiert wurde. Dies gibt mir Zeichenfolgen wie "\ xC4pple", die "Äpple" (Apple auf Schwedisch) entsprechen würden. Ich kann diese Zeichenfolgen jedoch nicht in UTF-8 konvertieren.

>>> 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)

Was soll ich machen?

Versuchen Sie zuerst, es zu dekodieren und dann zu kodieren:

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

Dies ist ein häufiges Problem, daher hier eine relativ gründliche Darstellung.

Für Nicht-Unicode-Zeichenfolgen (dh solche ohne uPräfix u'\xc4pple') muss von der nativen Codierung ( iso8859-1/ latin1, sofern nicht mit der rätselhaftensys.setdefaultencoding Funktion geändert ) zu dekodiert unicodeund dann in einen Zeichensatz codiert werden, der die gewünschten Zeichen anzeigen kann, in diesem Fall I. würde empfehlen UTF-8.

Hier ist zunächst eine praktische Dienstprogrammfunktion, mit deren Hilfe die Muster von Python 2.7-Zeichenfolgen und Unicode beleuchtet werden können:

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

Eine einfache Saite

>>> 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 "?".

Dekodieren einer iso8859-1-Zeichenfolge - Konvertieren einer einfachen Zeichenfolge in 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

Ein bisschen mehr Illustration - mit "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').

Codierung in 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')

Beziehung zwischen Unicode und UTF und 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)

Unicode-Ausnahmen

 >>> 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)

Man würde diese umgehen, indem man von der spezifischen Codierung (lateinisch-1, utf8, utf16) in Unicode konvertiert, z u8.decode('utf8').encode('latin1').

Vielleicht könnte man also die folgenden Prinzipien und Verallgemeinerungen zeichnen:

• Ein Typ strist eine Gruppe von Bytes, die eine von mehreren Codierungen aufweisen können, z. B. Latin-1, UTF-8 und UTF-16
• Ein Typ unicodeist eine Menge von Bytes, die in eine beliebige Anzahl von Codierungen konvertiert werden können, am häufigsten UTF-8 und Latin-1 (iso8859-1).
• Der printBefehl verfügt über eine eigene Logik zum Codieren , die sys.stdout.encodingauf UTF-8 eingestellt ist und standardmäßig UTF-8 verwendet
• Man muss a strin Unicode dekodieren , bevor man in eine andere Kodierung konvertiert.

All dies ändert sich natürlich in Python 3.x.

Hoffe das leuchtet.

Weiterführende Literatur

• Charaktere gegen Bytes , von Tim Bray.

Und die sehr anschaulichen Beschimpfungen von Armin Ronacher:

• Das aktualisierte Handbuch zu Unicode unter Python (2. Juli 2013)
• Weitere Informationen zu Unicode in Python 2 und 3 (5. Januar 2014)
• UCS vs UTF-8 als interne String-Codierung (9. Januar 2014)
• Alles, was Sie nicht über Unicode in Python 3 wissen wollten (12. Mai 2014)

Für Python 3:

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

Ich habe dies für einen Text verwendet, der falsch als iso-8859-1 (mit Wörtern wie VeÅ \ x99ejnà © ) anstelle von utf-8 codiert ist . Dieser Code erzeugt die korrekte Version Veřejné .

In Unicode dekodieren, die Ergebnisse in UTF8 kodieren.

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

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

Ich mache das, ich bin mir nicht sicher, ob das ein guter Ansatz ist, aber es funktioniert jedes Mal !!