10

我有一个来自我无法控制的来源的可能编码不正确的 json 文档，其中包含以下字符串：

d\u00c3\u00a9cor

business\u00e2\u20ac\u2122 active accounts 

the \u00e2\u20ac\u0153Made in the USA\u00e2\u20ac\u009d label

由此，我收集到他们打算成为\u00c3\u00a9beceom é，这将是 utf-8 hex C3 A9。这有点道理。对于其他人，我假设我们正在处理某些类型的定向引号。

我的理论是，这要么使用了我以前从未遇到过的某种编码，要么以某种方式被双重编码。我很好地编写了一些代码来将他们损坏的输入转换为我能理解的东西，因为如果我引起他们的注意，他们不太可能修复系统。

有什么想法可以强迫他们输入我能理解的东西吗？作为记录，我正在使用 Python。

4

2 回答 2

16

您应该尝试ftfy模块：

>>> print ftfy.ftfy(u"d\u00c3\u00a9cor")
décor
>>> print ftfy.ftfy(u"business\u00e2\u20ac\u2122 active accounts")
business' active accounts
>>> print ftfy.ftfy(u"the \u00e2\u20ac\u0153Made in the USA\u00e2\u20ac\u009d label")
the "Made in the USA" label
>>> print ftfy.ftfy(u"the \u00e2\u20ac\u0153Made in the USA\u00e2\u20ac\u009d label", uncurl_quotes=False)
the “Made in the USA” label
于 2014-10-28T17:18:25.803 回答
10

您在这里有Mojibake 数据；使用错误的编解码器从字节解码的 UTF-8 数据。

诀窍是在生成 JSON 输出之前找出用于解码的编码。如果您假设编码是 Windows 代码页 1252，则可以修复前两个示例：

>>> sample = u'''\
... d\u00c3\u00a9cor
... business\u00e2\u20ac\u2122 active accounts 
... the \u00e2\u20ac\u0153Made in the USA\u00e2\u20ac\u009d label
... '''.splitlines()
>>> print sample[0].encode('cp1252').decode('utf8')
décor
>>> print sample[1].encode('cp1252').decode('utf8')
business’ active accounts

但是这个编解码器在第三次失败：

>>> print sample[2].encode('cp1252').decode('utf8')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/Users/mpieters/Development/venvs/stackoverflow-2.7/lib/python2.7/encodings/cp1252.py", line 12, in encode
    return codecs.charmap_encode(input,errors,encoding_table)
UnicodeEncodeError: 'charmap' codec can't encode character u'\x9d' in position 24: character maps to <undefined>

前 3 个“奇怪”字节肯定是U+201C 左双引号代码点的 CP1252 Mojibake ：

>>> sample[2]
u'the \xe2\u20ac\u0153Made in the USA\xe2\u20ac\x9d label'
>>> sample[2][:22].encode('cp1252').decode('utf8')
u'the \u201cMade in the USA'

所以另一个组合可能是U+201D RIGHT DOUBLE QUOTATION MARK，但后一个字符会导致 CP1252 中通常不存在的 UTF-8 字节：

>>> u'\u201d'.encode('utf8').decode('cp1252')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/Users/mpieters/Development/venvs/stackoverflow-2.7/lib/python2.7/encodings/cp1252.py", line 15, in decode
    return codecs.charmap_decode(input,errors,decoding_table)
UnicodeDecodeError: 'charmap' codec can't decode byte 0x9d in position 2: character maps to <undefined>

这是因为 CP1252 编解码器中没有 16 进制 9D 位置，但代码点确实进入了 JSON 输出：

>>> sample[2][22:]
u'\xe2\u20ac\x9d label'

ftfyNed Batchelder 库非常有帮助地提醒我使用“草率”的 CP1252 编解码器来解决该问题，将不存在的字节一对一映射（UTF-8 字节到 Latin-1 Unicode 点）。然后，库将生成的“花式引号”映射到 ASCII 引号，但您可以将其关闭：

>>> import ftfy
>>> ftfy.fix_text(sample[2])
u'the "Made in the USA" label'
>>> ftfy.fix_text(sample[2], uncurl_quotes=False)
u'the \u201cMade in the USA\u201d label'

由于这个库为您自动完成了这项任务，并且比标准 Python 编解码器可以为您完成的工作做得更好，您应该安装它，并将其应用到这个 API 交给您的混乱中。但是，如果您有一半的机会，请不要犹豫地斥责向您提供这些数据的人。他们制作了一个可爱的垃圾。

于 2014-10-28T17:20:13.100 回答