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

J'ai cette chaîne qui a été décodée de Quoted-printable à ISO-8859-1 avec le module email. Cela me donne des chaînes comme "\ xC4pple" qui correspondraient à "Äpple" (Apple 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 devrais-je faire?

Essayez de le décoder d'abord, puis de l'encoder:

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

C'est un problème courant, voici donc une illustration relativement complète.

Pour les chaînes non-unicode (c'est-à-dire celles sans upréfixe comme u'\xc4pple'), il faut décoder à partir du codage natif ( iso8859-1/ latin1, sauf si modifié avec lasys.setdefaultencoding fonction énigmatique ) vers unicode, puis encoder dans un jeu de caractères qui peut afficher les caractères que vous souhaitez, dans ce cas je Je recommande UTF-8.

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

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

Une corde 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 "?".

Décoder 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 pourrait les contourner en convertissant l'encodage spécifique (latin-1, utf8, utf16) en unicode par exemple u8.decode('utf8').encode('latin1').

Alors peut-être pourrait-on tirer les principes et généralisations suivants:

• un type strest un ensemble d'octets, qui peut avoir l'un des nombreux codages tels que Latin-1, UTF-8 et UTF-16
• un type unicodeest un ensemble d'octets qui peuvent être convertis en n'importe quel nombre d'encodages, le plus souvent UTF-8 et latin-1 (iso8859-1)
• la printcommande a sa propre logique d'encodage , définie sur sys.stdout.encodinget par défaut sur UTF-8
• Il faut décoder un stren unicode avant de le convertir en un autre encodage.

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

J'espère que c'est éclairant.

Lectures complémentaires

• Caractères contre octets , par Tim Bray.

Et les diatribes très illustratives d'Armin Ronacher:

• Le guide mis à jour d'Unicode sur Python (2 juillet 2013)
• En savoir plus sur Unicode dans Python 2 et 3 (5 janvier 2014)
• UCS vs UTF-8 en tant que codage de chaîne interne (9 janvier 2014)
• Tout ce que vous ne vouliez pas savoir sur Unicode dans Python 3 (12 mai 2014)

Pour Python 3:

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

J'ai utilisé ceci pour un texte incorrectement encodé en iso-8859-1 (montrant des mots comme VeÅ \ x99ejné ) au lieu de utf-8. Ce code produit la version correcte Veřejné .

Décodez en Unicode, encodez les résultats en UTF8.

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

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 !!