首页
学习
活动
专区
圈层
工具
发布
社区首页 >问答首页 >将目录中所有具有多个编码的文本文件转换为utf-8编码的文本文件

将目录中所有具有多个编码的文本文件转换为utf-8编码的文本文件
EN

Stack Overflow用户
提问于 2020-11-30 21:26:48
回答 1查看 197关注 0票数 0

我是Python的新手,一般来说,我也是编程方面的新手。因此,任何帮助都是非常感谢的。

我在一个目录中有超过3000个具有多个编码的文本文件。我需要将它们转换成一个单一的编码(例如utf8),以便进一步的自然语言处理工作。当我使用shell检查这些文件的类型时,我确定了以下编码:

代码语言:javascript
复制
Algol 68 source text, ISO-8859 text, with very long lines
Algol 68 source text, Little-endian UTF-16 Unicode text, with very long lines
Algol 68 source text, Non-ISO extended-ASCII text, with very long lines
Algol 68 source text, Non-ISO extended-ASCII text, with very long lines, with LF, NEL line terminators
ASCII text
ASCII text, with very long lines
data
diff output text, ASCII text
ISO-8859 text, with very long lines
ISO-8859 text, with very long lines, with LF, NEL line terminators
Little-endian UTF-16 Unicode text, with very long lines
Non-ISO extended-ASCII text
Non-ISO extended-ASCII text, with very long lines
Non-ISO extended-ASCII text, with very long lines, with LF, NEL line terminators
UTF-8 Unicode (with BOM) text, with CRLF line terminators
UTF-8 Unicode (with BOM) text, with very long lines, with CRLF line terminators
UTF-8 Unicode text, with very long lines, with CRLF line terminators

你知道如何将上述编码的文本文件转换成utf-8编码的文本文件吗?

EN

回答 1

Stack Overflow用户

发布于 2021-05-02 22:16:03

我遇到了和你一样的问题。我使用了两个步骤来解决这个问题。

代码如下:

代码语言:javascript
复制
import os, sys, codecs
import chardet

首先,使用chardet包来识别文本的编码。

代码语言:javascript
复制
for text in os.listdir(path):
    txtPATH = os.path.join(path, text)
    txtPATH=str(txtPATH)
    

    f = open(txtPATH, 'rb')
    data = f.read()
    f_charInfo = chardet.detect(data)
    coding2=f_charInfo['encoding']
    coding=str(coding2)
    print(coding)
    data = f.read()

其次,如果文本的编码不是utf-8,则将文本重写为utf-8编码到目录。

代码语言:javascript
复制
        if not re.match(r'.*\.utf-8$', coding, re.IGNORECASE): 
        print(txtPATH)
        print(coding)

        with codecs.open(txtPATH, "r", coding) as sourceFile:
            contents = sourceFile.read()
            
            
            with codecs.open(txtPATH, "w", "utf-8") as targetFile:              
                targetFile.write(contents)

希望这能有所帮助!谢谢

票数 2
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/65074479

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档