Caratteri codificati errati quando invio caratteri codificati utf8 da panda a mysql con codifica latin-1 - python, mysql, panda, codifica

Ricevo caratteri codificati errati quando invio caratteri codificati utf8 da panda a mysql con codifica latin-1. Questo è un valore di esempio che sto ottenendo in mysql:

Biquíni

Questo è il mio codice:

df.breakdown_name = df.breakdown_name.str.encode("latin-1")

send_data(DB_ENGINE, MYSQL_USER, MYSQL_PASSWORD, MYSQL_HOST, MYSQL_PORT, MYSQL_DB, MYSQL_TABLE, df)

def send_data(db, db_user, db_password, db_host, db_port, db_name, db_table, df):
"""
Return data
1
"""
# print db
# print db_user
# print db_password
# print db_host
# print db_port
# print db_name
# print query[0:20]
SQL_ENGINE = "{db}://{db_user}:{db_password}@{db_host}:{db_port}/{db_name}?charset={encoding}".format(
db=db,
db_user=db_user,
db_password=db_password,
db_host=db_host,
db_port=db_port,
db_name=db_name,
encoding="latin1",
)
engine = create_engine(SQL_ENGINE)
df.to_sql(name=db_table,con=engine,schema="xxx",if_exists="append", index=False, chunksize=50)

risposte:

1 per risposta № 1

Suppongo che il valore di esempio dovrebbe essere:

print u"Biquíni".encode("latin_1").decode("utf-8") # Biquíni

Quindi, nel tuo codice stai facendo la trasformazione inversa:

print u"Biquíni".encode("utf-8").decode("latin_1") # Biquíni

Il problema è che quando si implementa la catena:

1. Codifica unicode in byte "utf-8".
2. Decodifica quei byte con qualsiasi codifica a 1 byte (come "latin_1").

per ogni carattere Unicode non ASCII all'ingresso si "ll" ricevi sempre caratteri sbagliati all'uscita. Succede perché per un tale personaggio c'è almeno un valore di 2 byte in "utf-8".

Diamo un'occhiata agli esempi:

print ord(u"z") # 122 => ASCII
print repr(u"z".encode("utf-8")) # "z", 1 byte
print repr("z".decode("latin_1")) # u"z"

Come si vede, per carattere ASCII tutto funziona bene, ma:

print ord(u"í") # 237 => non-ASCII

import unicodedata

print repr(u"í") # u"xed"
print unicodedata.name(u"xed") # LATIN SMALL LETTER I WITH ACUTE

print repr(u"xed".encode("utf-8")) # "xc3xad" => 2 bytes

print repr("xc3".decode("latin_1")) # u"xc3" - the 1st char
print repr("xad".decode("latin_1")) # u"xad" - the 2nd char

print unicodedata.name(u"xc3") # LATIN CAPITAL LETTER A WITH TILDE
print unicodedata.name(u"xad") # SOFT HYPHEN

Quindi, nel codice per ogni carattere non ASCII dopo la codifica in "utf-8" ottieni 2 byte che vengono poi decodificati con "latin_1" in 2 caratteri e non corrispondono al carattere iniziale.

In tal modo, lo schema attuale del programma genererà risultati indesiderati.
Suggerisco di usare la stessa codifica per encode() e decode() passi nel tuo codice.

---