В моем приложении django я предоставляю форму, которая позволяет пользователям загрузить файл. Файл может быть в разных форматах (Excel, CSV), поступать с разных платформ (Mac, Linux, Windows), и быть закодированными в различных кодировках (ASCII, UTF-8).
Для целей этого вопроса предположим, что у меня есть представление, которое получает request.FILES ['file']
, который является экземпляром InMemoryUploadedFile
, который называется файлом
. Моя проблема в том, что объекты InMemoryUploadedFile
(например, файл
):
\ xef \ xbb \ xbf
в начало файла, который, как я понимаю, является флагом, означающим «этот файл имеет формат UTF-8»). Проблема усложняется тем, что я хочу передать файл в модуль python csv
, который изначально не поддерживает Unicode. Я с радостью приму ответы, позволяющие избежать этой проблемы - как только я получу, что django хорошо работает с UTF-8, я уверен, что смогу заставить csv
сделать то же самое. (Точно так же не обращайте внимания на требование поддержки Excel - я жду, пока CSV заработает, прежде чем приступить к синтаксическому анализу файлов Excel.)
Я пробовал использовать StringIO
, mmap
, ] кодек
и любой из множества способов доступа к данным в объекте InMemoryUploadedFile
. Каждый подход давал разные ошибки, ни одна из них пока не была идеальной. Это показывает часть кода, который, как мне кажется, подошел ближе всего:
import csv
import codecs
class CSVParser:
def __init__(self,file):
# 'file' is assumed to be an InMemoryUploadedFile object.
dialect = csv.Sniffer().sniff(codecs.EncodedFile(file,"utf-8").read(1024))
file.open() # seek to 0
self.reader = csv.reader(codecs.EncodedFile(file,"utf-8"),
dialect=dialect)
try:
self.field_names = self.reader.next()
except StopIteration:
# The file was empty - this is not allowed.
raise ValueError('Unrecognized format (empty file)')
if len(self.field_names) <= 1:
# This probably isn't a CSV file at all.
# Note that the csv module will (incorrectly) parse ALL files, even
# binary data. This will catch most such files.
raise ValueError('Unrecognized format (too few columns)')
# Additional methods snipped, unrelated to issue
Обратите внимание, что я не потратил слишком много времени на сам алгоритм синтаксического анализа, поэтому он может быть очень неэффективным, сейчас меня больше беспокоит кодирование в работать как положено.
Проблема в том, что результаты также не кодируются, несмотря на то, что они заключены в оболочку Unicode codecs.EncodedFile
.
РЕДАКТИРОВАТЬ: Оказывается, приведенный выше код действительно Работа. codecs.EncodedFile (file, "utf-8")
- это билет. Оказывается, я думал, что это не сработало, потому что используемый мной терминал не поддерживает UTF-8. Живи и учись!