Nesprávne zakódované znaky, keď posielam utf8 kódované znaky z pandy do mysql s kódovaním latin-1 - python, mysql, pandas, encoding

Keď dostávam nesprávne kódované znaky z pandy do mysql s kódovaním latin-1, dostávam nesprávne kódované znaky. Toto je ukážková hodnota, ktorú dostávam do mysql:

Biquíni

Toto je môj kód:

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)

odpovede:

1 pre odpoveď č. 1

Predpokladám, že hodnota vzorky by mala byť:

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

Vo svojom kóde teda vykonávate inverznú transformáciu:

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

Problém je v tom, že keď implementujete reťaz:

1. Kódujte unicode do „utf-8“ bajtov.
2. Dekódujte tieto bajty ľubovoľným jednobajtovým kódovaním (napríklad „latin_1“).

pre každý znak Unicode, ktorý nie je kódom ASCII, na vstupe, ktorý zadáte vždy prijímajte nesprávne znaky na výstupe. Je to tak preto, lebo pre takúto postavu je v utf-8 najmenej 2-bajtová hodnota.

Pozrime sa na príklady:

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

Ako vidíme, pre znak ASCII všetko funguje dobre, ale:

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

Takže vo vašom kóde pre každý znak, ktorý nie je kódom ASCII po kódovaní v jazyku "utf-8" dostanete 2 bajty, ktoré sú potom dekódované "latin_1" na 2 znaky a nezodpovedajú počiatočnému znaku.

Preto súčasná schéma vášho programu vygeneruje nežiaduce výsledky.
Navrhujem použiť rovnaké kódovanie pre encode() a decode() kroky v kóde.

---