UnicodeDecodeError: o codec 'ascii' não pode decodificar o byte 0xe2 na posição 13: ordinal fora do intervalo (128)

Estou usando o NLTK para executar o agrupamento de kmeans no meu arquivo de texto no qual cada linha é considerada como um documento. Por exemplo, meu arquivo de texto é mais ou menos assim:

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

Agora, o código de demonstração que estou tentando executar é o seguinte:

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

(que também pode ser encontrada aqui )

O erro que recebo é este:

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)

O que esta acontecendo aqui?

O arquivo está sendo lido como um monte de strs, mas deve ser unicodes. Python tenta converter implicitamente, mas falha. Mudança:

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

decodificar explicitamente os strs para unicode(aqui assumindo UTF-8):

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

Também poderia ser resolvido importando o codecsmódulo e usando codecs.openem vez do interno open.

Este trabalho é bom para mim.

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

Você pode adicionar uma terceira codificação de parâmetro para garantir que o tipo de codificação seja 'utf-8'

Nota: este método funciona bem no Python3, não tentei no Python2.7.

Para mim, houve um problema com a codificação do terminal. A adição de UTF-8 ao .bashrc resolveu o problema:

export LC_CTYPE=en_US.UTF-8

Não se esqueça de recarregar .bashrc depois:

source ~/.bashrc

Você pode tentar isso também:

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

Quando no Ubuntu 18.04 usando Python3.6 , resolvi o problema fazendo os dois:

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

e se você estiver executando a ferramenta como linha de comando:

export LC_ALL=C.UTF-8

Observe que, se você estiver no Python2.7, precisará lidar com isso de maneira diferente. Primeiro você precisa definir a codificação padrão:

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

e, em seguida, para carregar o arquivo, você deve usar io.openpara definir a codificação:

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

Você ainda precisa exportar o ambiente

export LC_ALL=C.UTF-8

Eu recebi esse erro ao tentar instalar um pacote python em um contêiner do Docker. Para mim, o problema era que a imagem do docker não tinha um localeconfigurado. Adicionar o seguinte código ao Dockerfile resolveu o problema para mim.

# 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'

Para encontrar QUALQUER e TODOS os erros unicode relacionados ... Usando o seguinte comando:

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

Mina encontrada em

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

Usando shed, eu encontrei a sequência ofensiva. Acabou sendo um erro de editor.

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

Você pode tentar isso antes de usar a job_titlesstring:

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

Para python 3, a codificação padrão seria "utf-8". As etapas a seguir são sugeridas na documentação base: https://docs.python.org/2/library/csv.html#csv-examples em caso de qualquer problema

1. Crie uma função

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

2. Em seguida, use a função dentro do leitor, por exemplo

   csv_reader = csv.reader(utf_8_encoder(unicode_csv_data))

python3x ou superior

1. carregar arquivo no fluxo de bytes:

   body = '' para linhas em open ('website / index.html', 'rb'): decodedLine = lines.decode ('utf-8') body = body + decodedLine.strip () body de retorno

2. use a configuração global:

   importação io importação sys sys.stdout = io.TextIOWrapper (sys.stdout.buffer, codificação = 'utf-8')

Use em open(fn, 'rb').read().decode('utf-8')vez de apenasopen(fn).read()