UnicodeDecodeError： 'ascii'コーデックは13番目のバイト0xe2をデコードできません：序数が範囲（128）にありません

NLTKを使用して、各行がドキュメントと見なされるテキストファイルでkmeansクラスタリングを実行しています。たとえば、私のテキストファイルは次のようになります。

belong finger death punch <br>
hasty <br>
mike hasty walls jericho <br>
jägermeister rules <br>
rules bands follow performing jägermeister stage <br>
approach 

今私が実行しようとしているデモコードはこれです：

import sys

import numpy
from nltk.cluster import KMeansClusterer, GAAClusterer, euclidean_distance
import nltk.corpus
from nltk import decorators
import nltk.stem

stemmer_func = nltk.stem.EnglishStemmer().stem
stopwords = set(nltk.corpus.stopwords.words('english'))

@decorators.memoize
def normalize_word(word):
    return stemmer_func(word.lower())

def get_words(titles):
    words = set()
    for title in job_titles:
        for word in title.split():
            words.add(normalize_word(word))
    return list(words)

@decorators.memoize
def vectorspaced(title):
    title_components = [normalize_word(word) for word in title.split()]
    return numpy.array([
        word in title_components and not word in stopwords
        for word in words], numpy.short)

if __name__ == '__main__':

    filename = 'example.txt'
    if len(sys.argv) == 2:
        filename = sys.argv[1]

    with open(filename) as title_file:

        job_titles = [line.strip() for line in title_file.readlines()]

        words = get_words(job_titles)

        # cluster = KMeansClusterer(5, euclidean_distance)
        cluster = GAAClusterer(5)
        cluster.cluster([vectorspaced(title) for title in job_titles if title])

        # NOTE: This is inefficient, cluster.classify should really just be
        # called when you are classifying previously unseen examples!
        classified_examples = [
                cluster.classify(vectorspaced(title)) for title in job_titles
            ]

        for cluster_id, title in sorted(zip(classified_examples, job_titles)):
            print cluster_id, title

（これもここにあります）

私が受け取るエラーはこれです：

Traceback (most recent call last):
File "cluster_example.py", line 40, in
words = get_words(job_titles)
File "cluster_example.py", line 20, in get_words
words.add(normalize_word(word))
File "", line 1, in
File "/usr/local/lib/python2.7/dist-packages/nltk/decorators.py", line 183, in memoize
result = func(*args)
File "cluster_example.py", line 14, in normalize_word
return stemmer_func(word.lower())
File "/usr/local/lib/python2.7/dist-packages/nltk/stem/snowball.py", line 694, in stem
word = (word.replace(u"\u2019", u"\x27")
UnicodeDecodeError: 'ascii' codec can't decode byte 0xe2 in position 13: ordinal not in range(128)

ここで何が起きてるの？

ファイルはstrsの束として読み取られていますが、sである必要がありますunicode。Pythonは暗黙的に変換を試みますが、失敗します。変化する：

job_titles = [line.strip() for line in title_file.readlines()]

strs を明示的にデコードするにはunicode（ここではUTF-8を想定）：

job_titles = [line.decode('utf-8').strip() for line in title_file.readlines()]

モジュールをインポートしcodecscodecs.openて組み込みではなくを使用することで解決することもできますopen。

これは私にとってはうまくいきます。

f = open(file_path, 'r+', encoding="utf-8")

3番目のパラメーターエンコーディングを追加して、エンコーディングタイプが 'utf-8'であることを確認できます。

注：このメソッドはPython3で正常に動作します。Python2.7では試していません。

私にとって、端末のエンコーディングに問題がありました。.bashrcにUTF-8を追加すると、問題が解決しました。

export LC_CTYPE=en_US.UTF-8

後で.bashrcをリロードすることを忘れないでください：

source ~/.bashrc

あなたもこれを試すことができます：

import sys
reload(sys)
sys.setdefaultencoding('utf8')

Ubuntu 18.04でPython3.6を使用しているとき、私は両方の問題を解決しました：

with open(filename, encoding="utf-8") as lines:

ツールをコマンドラインとして実行している場合：

export LC_ALL=C.UTF-8

Python2.7を使用している場合は、これを別の方法で処理する必要があることに注意してください。最初に、デフォルトのエンコーディングを設定する必要があります。

import sys
reload(sys)
sys.setdefaultencoding('utf-8')

次にio.open、エンコーディングの設定に使用する必要があるファイルをロードします。

import io
with io.open(filename, 'r', encoding='utf-8') as lines:

あなたはまだ環境をエクスポートする必要があります

export LC_ALL=C.UTF-8

DockerコンテナーにPythonパッケージをインストールしようとすると、このエラーが発生しました。私にとっての問題は、Dockerイメージがlocale構成されていないことでした。Dockerfileに次のコードを追加すると、問題が解決しました。

# Avoid ascii errors when reading files in Python
RUN apt-get install -y \
  locales && \
  locale-gen en_US.UTF-8
ENV LANG='en_US.UTF-8' LANGUAGE='en_US:en' LC_ALL='en_US.UTF-8'

関連するすべておよびすべてのUnicodeエラーを見つけるには...次のコマンドを使用します。

grep -r -P '[^\x00-\x7f]' /etc/apache2 /etc/letsencrypt /etc/nginx

で見つけた

/etc/letsencrypt/options-ssl-nginx.conf:        # The following CSP directives don't use default-src as 

を使用してshed、問題のあるシーケンスを見つけました。編集者の間違いであることが判明しました。

00008099:     C2  194 302 11000010
00008100:     A0  160 240 10100000
00008101:  d  64  100 144 01100100
00008102:  e  65  101 145 01100101
00008103:  f  66  102 146 01100110
00008104:  a  61  097 141 01100001
00008105:  u  75  117 165 01110101
00008106:  l  6C  108 154 01101100
00008107:  t  74  116 164 01110100
00008108:  -  2D  045 055 00101101
00008109:  s  73  115 163 01110011
00008110:  r  72  114 162 01110010
00008111:  c  63  099 143 01100011
00008112:     C2  194 302 11000010
00008113:     A0  160 240 10100000

job_titles文字列を使用する前にこれを試すことができます：

source = unicode(job_titles, 'utf-8')

Python 3の場合、デフォルトのエンコーディングは「utf-8」になります。次の手順は、ベースドキュメントで推奨されています。問題が発生した場合は、https：//docs.python.org/2/library/csv.html#csv-examples

1. 関数を作成する

   def utf_8_encoder(unicode_csv_data):
       for line in unicode_csv_data:
           yield line.encode('utf-8')
   

2. 次に、リーダー内の関数を使用します。

   csv_reader = csv.reader(utf_8_encoder(unicode_csv_data))

python3x以降

1. バイトストリームでファイルをロードする：

   body = '' open（ 'website / index.html'、 'rb'）の行の場合：decodeLine = lines.decode（ 'utf-8'）body = body + decodedLine.strip（）return body

2. グローバル設定を使用：

   import io import sys sys.stdout = io.TextIOWrapper（sys.stdout.buffer、encoding = 'utf-8'）

open(fn, 'rb').read().decode('utf-8')代わりに使用するopen(fn).read()