web-dev-qa-db-ja.com

Python:UnicodeDecodeError: 'utf8'コーデックはバイトをデコードできません

RTFファイルをpython文字列に変換します。一部のテキストでは、次のエラーが発生します。

Traceback (most recent call last):
  File "11.08.py", line 47, in <module>
    X = vectorizer.fit_transform(texts)
  File "C:\Python27\lib\site-packages\sklearn\feature_extraction\text.py", line
716, in fit_transform
    X = super(TfidfVectorizer, self).fit_transform(raw_documents)
  File "C:\Python27\lib\site-packages\sklearn\feature_extraction\text.py", line
398, in fit_transform
    term_count_current = Counter(analyze(doc))
  File "C:\Python27\lib\site-packages\sklearn\feature_extraction\text.py", line
313, in <lambda>
    tokenize(preprocess(self.decode(doc))), stop_words)
  File "C:\Python27\lib\site-packages\sklearn\feature_extraction\text.py", line
224, in decode
    doc = doc.decode(self.charset, self.charset_error)
  File "C:\Python27\lib\encodings\utf_8.py", line 16, in decode
    return codecs.utf_8_decode(input, errors, True)
UnicodeDecodeError: 'utf8' codec can't decode byte 0x92 in position 462: invalid
 start byte

私はもう試した:

  1. ファイルのテキストを新しいファイルにコピーして貼り付ける
  2. rtfファイルをtxtファイルとして保存
  3. Notepad ++でtxtファイルを開き、「utf-8に変換」を選択して、エンコーディングをutf-8に設定します。
  4. Microsoft Wordでファイルを開き、新しいファイルとして保存する

何も動作しません。何か案は?

それはおそらく関連していませんが、あなたが疑問に思っている場合のコードは次のとおりです:

f = open(dir+location, "r")
doc = Rtf15Reader.read(f)
t = PlaintextWriter.write(doc).getvalue()
texts.append(t)
f.close()
vectorizer = TfidfVectorizer(sublinear_tf=True, max_df=0.5, stop_words='english')
X = vectorizer.fit_transform(texts)     
13
Zach

メーリングリストで述べたように、charset_errorオプションを使用してignoreに設定するのがおそらく最も簡単です。ファイルが実際にutf-16である場合、Vectorizerで文字セットをutf-16に設定することもできます。 docs を参照してください。

6
Andreas Mueller

これはあなたの問題を解決します:

import codecs

f = codecs.open(dir+location, 'r', encoding='utf-8')
txt = f.read()

その瞬間から、txtはUnicode形式であり、コード内のどこでも使用できます。

処理後にUTF-8ファイルを生成する場合:

f.write(txt.encode('utf-8'))

次のように、エンコーディングエラーなしでjsファイルのcsvファイル行をダンプできます。

json.dump(row,jsonfile, encoding="ISO-8859-1")
1

この行を保持します。

vectorizer = TfidfVectorizer(encoding='latin-1',sublinear_tf=True, max_df=0.5, stop_words='english')

encoding = 'latin-1'がうまくいきました。

0