首页    技术博客    PHP教程    数据库技术    前端开发   HTML5    Nginx    php论坛
新用户注册 | 会员登录
加入会员，解锁专属内容
取消
热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

包含utf8字符的pickle转json的大坑处理过程

作者：wangtao | 来源：互联网 | 2023-10-14 17:17
背景：希望将pickle转换为json，由于pickle里有utf8的字符，因此转换失败。转换代码如下：Convertap

背景&＃xff1a;希望将pickle转换为json&＃xff0c;由于pickle里有utf8的字符&＃xff0c;因此转换失败。

转换代码如下&＃xff1a;

&＃39;&＃39;&＃39;
Convert a pkl file into json file
&＃39;&＃39;&＃39;
import sys
import os
import pickle
import jsondef convert_dict_to_json(file_path):with open(file_path, &＃39;rb&＃39;) as fpkl, open(&＃39;%s.json&＃39; % file_path, &＃39;w&＃39;) as fjson:data &＃61; pickle.load(fpkl)json.dump(data, fjson, ensure_ascii&＃61;False, sort_keys&＃61;True, indent&＃61;4)def main():if sys.argv[1] and os.path.isfile(sys.argv[1]):file_path &＃61; sys.argv[1]print("Processing %s ..." % file_path)convert_dict_to_json(file_path)else:print("Usage: %s abs_file_path" % (__file__))if __name__ &＃61;&＃61; &＃39;__main__&＃39;:main()

修正后的代码&＃xff1a;因为pickle自身是latin编码&＃xff0c;需要转换为utf8再给json编码。

# -*- coding: utf-8 -*-&＃39;&＃39;&＃39;
Convert a pkl file into json file
&＃39;&＃39;&＃39;
import sys
import os
import pickle
import json
import iodef convert_dict_to_json(file_path):out_file &＃61; "vocab_dict.json"with open(file_path, &＃39;rb&＃39;) as fpkl, io.open(out_file, &＃39;w&＃39;, encoding&＃61;&＃39;utf8&＃39;) as fjson:data &＃61; pickle.load(fpkl)out_data &＃61; data["valid_chars"]out_data["__MAX_DOC_LEN__"] &＃61; data["max_len"]out_data["__VOLCAB_SIZE__"] &＃61; data["volcab_size"]out &＃61; {}for k,v in out_data.items():#print k.decode("latin1").encode("utf8")out[k.decode("latin1").encode("utf8")] &＃61; vdata &＃61; json.dumps(out, ensure_ascii&＃61;False, encoding&＃61;"utf8", sort_keys&＃61;True, indent&＃61;4)fjson.write(data)def main():if sys.argv[1] and os.path.isfile(sys.argv[1]):file_path &＃61; sys.argv[1]print("Processing %s ..." % file_path)convert_dict_to_json(file_path)else:print("Usage: %s abs_file_path" % (__file__))

 

尤其注意&＃xff1a;

python2的json是无法处理&＃xff0c;包含utf8和unicode两种编码的&＃xff01;比如仅仅包含unicode的可以处理很好&＃xff1a;

# -*- coding: utf-8 -*-import json
from codecs import openo &＃61; { &＃39;text&＃39;: u&＃39;木村&＃39; }with open(&＃39;foo.json&＃39;, &＃39;w&＃39;, encoding&＃61; &＃39;utf-8&＃39;) as fp:json.dump(o, fp, ensure_ascii&＃61; False)with open(&＃39;foo.json&＃39;, &＃39;r&＃39;, encoding&＃61; &＃39;utf-8&＃39;) as fp:
print json.load(fp)[&＃39;text&＃39;].encode(&＃39;utf-8&＃39;)

但是&＃xff1a;

o &＃61; { &＃39;text&＃39;: u&＃39;木村&＃39;, &＃39;text2&＃39;: &＃39;再加一个utf8的python json就熄火了&＃xff0c;会有编码错误异常。。。&＃39; }

具体见下文&＃xff1a;

python2 json的大坑

转自&＃xff1a;https://superxiaoxiong.github.io/2016/10/07/python-json/

介绍一下背景

最近项目中有一个接口&＃xff0c;是通过redis队列做的。我将对方需要的数据通过json 字符串的形式&＃xff0c;push到redis list队列中&＃xff0c;对方监听并消费(题外话, 我对这种形式的交互有点看法吧&＃xff0c;双方既然是接口&＃xff0c;但是很难保证格式的统一&＃xff0c;比使用rpc框架强验证风险大的多)。

由于对端也是用python做的消费者&＃xff0c;所以也是相安无事。随着一个需求的变更&＃xff0c;我在自己调试pop的数据发现&＃xff0c;我写的json字符串是&＃xff0c;酱事儿的:

1
{"title": "\\u6211\\u7231\\u5317\\u4eac\\u5929\\u5b89\\u95e8"}

当时我就懵逼了&＃xff0c;这是什么鬼…
很显然这个是unicode字符串嘛&＃xff0c;但是我明明就编码成了UTF8啦&＃xff0c;怎么最后是这个鬼样子&＃xff0c;更奇怪的是对方能正确解码吗&＃xff1f;这明明是四不像啊。

我试着自己重现了整个过程。
首先&＃xff0c;我将utf8形式的字符串 我爱北京天安门 dumps成json:

1
2
In [10]: json.dumps({"title":"我爱北京天安门"})
Out[10]: &＃39;{"title": "\\u6211\\u7231\\u5317\\u4eac\\u5929\\u5b89\\u95e8"}&＃39;

果然&＃xff0c;确实变成了这个样子&＃xff0c;看来是json库搞得鬼。
先不管他&＃xff0c;看看这个结果load出来什么样子&＃xff1a;

1
2
In [9]: json.loads(&＃39;{"title": "\\u6211\\u7231\\u5317\\u4eac\\u5929\\u5b89\\u95e8"}&＃39;)
Out[9]: {u&＃39;title&＃39;: u&＃39;\u6211\u7231\u5317\u4eac\u5929\u5b89\u95e8&＃39;}

确实load没问题&＃xff0c;但是可以看到&＃xff0c;最后的结果和我当时dumps的出入蛮大的&＃xff0c;由原来的utf8 str形式&＃xff0c;变为了unicode形式&＃xff0c;就连字典的key也都是unicode了。

好吧&＃xff0c;所以现在就有了两个问题。

  • 为什么utf8字符串, json dumps后不是原来形式?
  • 为什么loads回来的数据全是unicode形式&＃xff1f;

为什么utf8字符串, json dumps后不是原来形式?

看下官方文档&＃xff1a;
python encode
json.dumps方法做的就是将python数据格式按照上图的映射方式转换为json格式。Python str和unicode都可以转换成json 的string形式&＃xff0c;我们知道str和unicode差别很大啊&＃xff0c;如果一个python字典中&＃xff0c;同时有str和unicode的时候&＃xff0c;json dump怎么处理呢&＃xff1f;试一下&＃xff1a;

1
2
In [12]: json.dumps({"title_str":"我爱北京天安门", "title_unicode":u"我爱北京天安门"})
Out[12]: &＃39;{"title_unicode": "\\u6211\\u7231\\u5317\\u4eac\\u5929\\u5b89\\u95e8", "title_str": "\\u6211\\u7231\\u5317\\u4eac\\u5929\\u5b89\\u95e8"}&＃39;

没有异常&＃xff0c;并且都是最后按照unicode的方式统一处理的。看来python是先将str decode为unicode&＃xff0c;然后再用unicode进行编码的。

这样本来无可厚非&＃xff0c;自己统一好编码格式就行了&＃xff0c;loads的时候按照编码的方式&＃xff0c;反过来解码。但是问题是&＃xff0c;和我们进行交互的人未必也用的python啊&＃xff0c;当他用其他的语言对json解码的时候&＃xff0c;还原回来就是一堆乱码了&＃xff0c;我们能不能让json库&＃xff0c;确实编码成utf8形式呢&＃xff1f;

官方文档如是说&＃xff1a;

If ensure_ascii is True (the default), all non-ASCII characters in the output are escaped with \uXXXX sequences, and the results are str instances consisting of ASCII characters only. If ensure_ascii is False, a result may be a unicode instance. This usually happens if the input contains unicode strings or the encoding parameter is used.

看来是 ensure_ascii 参数为 True 的时候&＃xff0c;确保了所有非ASCII字符都转义成 \uXXXX 的ASCII序列。
如果我们设置为False&＃xff0c;就可以还原本来面目了吗&＃xff1f;试试&＃xff1a;

1
2
In [14]: json.dumps({"title_str":"我爱北京天安门"}, ensure_ascii&＃61;False)
Out[14]: &＃39;{"title_str": "\xe6\x88\x91\xe7\x88\xb1\xe5\x8c\x97\xe4\xba\xac\xe5\xa4\xa9\xe5\xae\x89\xe9\x97\xa8"}&＃39;

果然哦&＃xff0c;我们干脆看看python json库源码怎么实现的吧, 主要就是下列这个判断

1
2
3
4
200 if self.ensure_ascii:
201 return encode_basestring_ascii(o) # 先将字符串根据encoding参数的编码统一转化为unicode&＃xff0c;然后连接字符串
202 else:
203 return encode_basestring(o) # 直接连接字符串

既然ensure_ascii &＃61; False时, 没有做类型的转换&＃xff0c;所以我们原来是什么&＃xff0c;编码后就是什么。但这带来了以下副作用:

  • 如果我们要转换的python数据类型&＃xff0c;如果既包含str又包含unicode&＃xff0c;在连接字符串的时候肯定会抛出编码异常

    1
    2
    In [13]: json.dumps({"title_str":"我爱北京天安门", "title_unicode":u"我爱北京天安门"}, ensure_ascii&＃61;False)
    "UnicodeDecodeError: &＃39;ascii&＃39; codec can&＃39;t decode byte 0xe6 in position 1: ordinal not in range(128)"

  • 如果全部都是unicode进行字符串连接&＃xff0c;返回值也是unicode

    1
    2
    In [3]: json.dumps({"title_str":u"我爱北京天安门", "title":u"我爱世界"}, ensure_ascii&＃61;False)
    Out[3]: u&＃39;{"title": "\u6211\u7231\u4e16\u754c", "title_str": "\u6211\u7231\u5317\u4eac\u5929\u5b89\u95e8"}&＃39;

  • 如果全部都是str进行字符串连接&＃xff0c;返回值也是str

    1
    2
    In [2]: json.dumps({"title_str":"我爱北京天安门", "title":"我爱世界"}, ensure_ascii&＃61;False)
    Out[2]: &＃39;{"title": "\xe6\x88\x91\xe7\x88\xb1\xe4\xb8\x96\xe7\x95\x8c", "title_str": "\xe6\x88\x91\xe7\x88\xb1\xe5\x8c\x97\xe4\xba\xac\xe5\xa4\xa9\xe5\xae\x89\xe9\x97\xa8"}&＃39;

为了能将json字符串通用的和其他语言交换&＃xff0c;我们不得不保证&＃xff0c;原始python数据类型必须是统一的。要么全是UTF8的str类型&＃xff0c;要么全部是unicode&＃xff0c;最后在encode为utf8, 否则就会有异常 这个也是动态类型要付出的代价吧。

为什么loads回来的数据全是unicode形式&＃xff1f;

看下官方文档&＃xff1a;
python decode
与dumps相反, json.loads 方法做的就是将json数据格式按照上图的映射方式转换为python类型。我们可以看json string 转换回来只有一种格式&＃xff0c;那就是unicode&＃xff0c;这样就能解释我们看到的现象了&＃xff0c;就连dict key都是unicode的。

好麻烦啊&＃xff0c;怎么根本的解决这个问题呢&＃xff1f;

答&＃xff1a; 使用python3


转载于:https://www.cnblogs.com/bonelee/p/8472522.html


推荐阅读
  • match

    利用决策树预测NBA比赛胜负的Python数据挖掘实践

    利用决策树预测NBA比赛胜负的Python数据挖掘实践
    本文通过使用2013-14赛季NBA赛程与结果数据集以及2013年NBA排名数据，结合《Python数据挖掘入门与实践》一书中的方法，展示如何应用决策树算法进行比赛胜负预测。我们将详细讲解数据预处理、特征工程及模型评估等关键步骤。 ... [详细]
  • get

    深入探讨CPU虚拟化与KVM内存管理

    深入探讨CPU虚拟化与KVM内存管理
    本文详细介绍了现代服务器架构中的CPU虚拟化技术，包括SMP、NUMA和MPP三种多处理器结构，并深入探讨了KVM的内存虚拟化机制。通过对比不同架构的特点和应用场景，帮助读者理解如何选择最适合的架构以优化性能。 ... [详细]
  • string

    Java 中 Writer flush()方法，示例

    Java 中 Writer flush()方法，示例 ... [详细]
  • string

    技术分享：从动态网站提取站点密钥的解决方案

    技术分享：从动态网站提取站点密钥的解决方案
    本文探讨了如何从动态网站中提取站点密钥，特别是针对验证码（reCAPTCHA）的处理方法。通过结合Selenium和requests库，提供了详细的代码示例和优化建议。 ... [详细]
  • string

    Java面试题解析

    本文详细介绍了Java编程语言中的核心概念和常见面试问题，包括集合类、数据结构、线程处理、Java虚拟机（JVM）、HTTP协议以及Git操作等方面的内容。通过深入分析每个主题，帮助读者更好地理解Java的关键特性和最佳实践。 ... [详细]
  • string

    MQTT技术周报：硬件连接与协议解析

    MQTT技术周报：硬件连接与协议解析
    本周开发笔记重点介绍了在新项目中使用MQTT协议进行硬件连接的技术细节，涵盖其特性、原理及实现步骤。 ... [详细]
  • string

    Objective-C 编程中的关键语法点

    本文探讨了 Objective-C 中的一些重要语法特性，包括 goto 语句、块（block）的使用、访问修饰符以及属性管理等。通过实例代码和详细解释，帮助开发者更好地理解和应用这些特性。 ... [详细]
  • default

    android知识杂记（三）

    andr ... [详细]
  • string

    HTTP请求与响应机制详解

    本文深入探讨了HTTP请求和响应对象的使用，详细介绍了如何通过响应对象向客户端发送数据、处理中文乱码问题以及常见的HTTP状态码。此外，还涵盖了文件下载、请求重定向、请求转发等高级功能。 ... [详细]
  • filter

    PHP 过滤器详解

    PHP 过滤器详解
    本文深入探讨了 PHP 中的过滤器机制，包括常见的 $_SERVER 变量、filter_has_var() 函数、filter_id() 函数、filter_input() 函数及其数组形式、filter_list() 函数以及 filter_var() 和其数组形式。同时，详细介绍了各种过滤器的用途和用法。 ... [详细]
  • default

    采用IKE方式建立IPsec安全隧道

    采用IKE方式建立IPsec安全隧道
    一、【组网和实验环境】按如上的接口ip先作配置，再作ipsec的相关配置，配置文本见文章最后本文实验采用的交换机是H3C模拟器，下载地址如 ... [详细]
  • match

    实用正则表达式有哪些

    实用正则表达式有哪些
    小编给大家分享一下实用正则表达式有哪些，相信大部分人都还不怎么了解，因此分享这篇文章给大家参考一下，希望大家阅读完这篇文章后大有收获，下 ... [详细]
  • default

    Node.js 中可写流的默认编码设置方法

    本文介绍了如何在 Node.js 中使用 `setDefaultEncoding` 方法为可写流设置默认编码，并提供了详细的语法说明和示例代码。 ... [详细]
  • default

    CentOS系统安装与配置常见问题及解决方案

    CentOS系统安装与配置常见问题及解决方案
    本文详细介绍了在CentOS系统安装过程中遇到的常见问题及其解决方案，包括Vi编辑器的操作、图形界面的安装、网络连接故障排除等。通过本文，读者可以更好地理解和解决这些常见问题。 ... [详细]
  • default

    理解UML的重要性及其应用

    理解UML的重要性及其应用
    探讨为什么大多数开发人员难以成为架构师，介绍从现实世界到业务模型的抽象过程，并详细解释UML在软件设计中的关键作用。 ... [详细]
author-avatar
wangtao
这个家伙很懒，什么也没留下！
Tags | 热门标签
RankList | 热门文章
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有