我需要处理文本,像比较单词与字典一样的词......并且我有编码问题。 txt文件是utf-8,代码也是utf-8。问题是当分裂为字符像š,č,ť,á,...我尝试编码和解码并在网上搜索,但我不知道如何处理它。我看了文件系统编码,它是mbcs,defaultencoding是utf-8。你能帮助我吗?下面的代码是第一个版本。python中的文本编码错误
#!/usr/bin/env python
# -*- coding: utf-8 -*-
f = open("text.txt", "r+")
text = f.read()
sentences = re.split("[.!?]\s", text)
words = re.split("\s", sentences[0])
print sentences[0]
print words
和结果是:
Nexus 5 patrí v sučasnosti medzi a najlepšie aj smartfóny
['\xef\xbb\xbfNexus', '5', 'patr\xc3\xad', 'su\xc4\x8dasnosti', 'medzi', 'najlep\xc5\xa1ie', 'smartf\xc3\xb3ny']
当我使用:
f = codecs.open("text.txt", "r+", encoding="utf-8")
结果是:
Nexus 5 patrí v sučasnosti medzi a najlepšie aj smartfóny
[u'\ufeffNexus', u'5', u'patr\xed', u'su\u010dasnosti', u'medzi', u'najlep\u0161ie', u'smartf\xf3ny']
,我需要一个像输出:
['Nexus', '5', 'patrí', 'v', 'súčastnosti',....]
你在列表中有unicode字符串。如果您不想打印表示,请不要打印列表容器,而是单独打印每个元素。 –
好了,现在我明白了,但是当我想要比较列表中的每个元素与字典来查找匹配时它会正常工作吗? – TheBP
你会使用unicode文字来测试,但是。 –