Python - 删除文件夹中所有文件的重音符号

Question

我正在尝试从一个文件夹中的所有代码文件中去掉所有的重音符号。现在我已经成功列出了文件，但在使用unicodedata进行标准化时遇到了问题，报了一个错误：

** 错误追踪（Traceback）： 文件 "/usr/lib/gedit-2/plugins/pythonconsole/console.py"，第336行，在 __run exec command in self.namespace 文件 ""，第2行，在 UnicodeDecodeError: 'utf8' 编解码器无法解码位置25的字节0xf3：无效的继续字节 **

if options.remove_nonascii:
    nERROR = 0
    print _("# Removing all acentuation from coding files in %s") % (options.folder)
    exts = ('.f90', '.f', '.cpp', '.c', '.hpp', '.h', '.py'); files=set()
    for dirpath, dirnames, filenames in os.walk(options.folder):
        for filename in (f for f in filenames if f.endswith(exts)):
            files.add(os.path.join(dirpath,filename))   
    for i in range(len(files)):
        f = files.pop() ;
        os.rename(f,f+'.BACK')
        with open(f,'w') as File:
            for line in open(f+'.BACK').readlines():
                try:
                    newLine = unicodedata.normalize('NFKD',unicode(line)).encode('ascii','ignore')
                    File.write(newLine)
                except UnicodeDecodeError:
                    nERROR +=1
                    print "ERROR n %i - Could not remove from Line: %i" % (nERROR,i)
                    newLine = line
                    File.write(newLine)

Answer 1

在使用unicode(line)的时候，你可能需要指定编码，比如可以写成unicode(line, 'utf-8')

如果你不太清楚该用什么编码，可以试试sys.getfilesystemencoding()这个方法，它可能会帮到你。

Answer 2

看起来这个文件可能是用cp1252编码的：

In [18]: print('\xf3'.decode('cp1252'))
ó

unicode(line)出错了，因为unicode试图用utf-8编码来解码line，所以出现了错误UnicodeDecodeError: 'utf8' codec can't decode...。

你可以先尝试用cp1252来解码line，如果不行，再试试utf-8：

if options.remove_nonascii:
    nERROR = 0
    print _("# Removing all acentuation from coding files in %s") % (options.folder)
    exts = ('.f90', '.f', '.cpp', '.c', '.hpp', '.h', '.py'); files=set()
    for dirpath, dirnames, filenames in os.walk(options.folder):
        for filename in (f for f in filenames if f.endswith(exts)):
            files.add(os.path.join(dirpath,filename))   
    for i,f in enumerate(files):
        os.rename(f,f+'.BACK')
        with open(f,'w') as fout:
            with open(f+'.BACK','r') as fin:
                for line fin:
                    try:
                        try:
                            line=line.decode('cp1252')
                        except UnicodeDecodeError:
                            line=line.decode('utf-8')
                            # If this still raises an UnicodeDecodeError, let the outer
                            # except block handle it
                        newLine = unicodedata.normalize('NFKD',line).encode('ascii','ignore')
                        fout.write(newLine)
                    except UnicodeDecodeError:
                        nERROR +=1
                        print "ERROR n %i - Could not remove from Line: %i" % (nERROR,i)
                        newLine = line
                        fout.write(newLine)

顺便提一下，

unicodedata.normalize('NFKD',line).encode('ascii','ignore')

这样做有点危险。例如，它会完全去掉u'ß'和一些引号：

In [23]: unicodedata.normalize('NFKD',u'ß').encode('ascii','ignore')
Out[23]: ''

In [24]: unicodedata.normalize('NFKD',u'‘’“”').encode('ascii','ignore')
Out[24]: ''

如果这造成了问题，可以使用unidecode模块：

In [25]: import unidecode
In [28]: print(unidecode.unidecode(u'‘’“”ß'))
''""ss