editer un fichier en UTF-8

Bonjour,

j'automatise une édition de fichier XML à partir de données présente en base.

Une fois le fichier créé, mon script lance une commande maven permettant à mon appli web de prendre en compte les données du fichier XML.

Une fois le fichier parsé, j'ai un problème d'encodagem les "é" remplacé par "?".

Voici ce que j'ai essayé de faire et qui ne marche pas :

Code:

---

1 2 3 4 5 6 7 8

MonFichier=open(repertoire + '/toto.xml','w')   MaVar = """ du texte """   MonFichier.write(MaVar .encode('UTF-8'))   MonFichier.close()

---

Quand, dans notepad, je passe l'encodage du fichier en UTF-8 manuellement, mon problème est résolu.

Merci d'avance pour votre aide !

Manu

Tu enregistres ton fichier avec l'extension .xml, Notepad attendait sans doute la déclaration d'encodage et, à défaut, a choisit ascii.

Si tu ajoutes cet entête à ton fichier, ça donne quoi:

Code:

---

1 2	<?xml version="1.0" encoding="UTF-8"?>

---

si je rajoute cette entete, maven me jette en declarant que le mot "UTF-8" ne doit pas etre utilisé dans mon fichier.

C'est vraiment a cause de l'encodage car si je l'encode manuellement en UTF8 et que je relance ma tache maven, tout se passe bien et mon texte est bien encodé.

Je vais essayer comme ça :

Code:

---

MonFichier.write(MaVar).encode('UTF-8')

---

alors que je faisais comme ça :

Code:

---

MonFichier.write(MaVar .encode('UTF-8'))

---

car c'est plus le fichier qu'on encode que la variable texte.

Je te tiens au courant.

non, dans ce cas c'est une erreur

Hehe, non, on encode pas un fichier, on encode un str, en python*!

Il faut comprendre qu’un fichier est toujours, in fine, des bytes (ou octets). Quand python ouvre un fichier en mode texte, il va implicitement faire les conversions bytes→str (en lecture) ou str→bytes (en écriture), en utilisant l’encodage par défaut du système (utf-8 sous la plupart des *nix, un truc genre cp-12xx sous windaube…).

Si on reprend ton premier exemple, pour être sûr d’enregistrer MaVar en utf-8, tu as deux solutions*:

1) Tu précises quel encodage utiliser lors de l’ouverture du fichier en écriture*:

Code:

---

1 2 3 4 5

MaVar = """ du texte """   with open(repertoire + '/toto.xml', 'w', encoding="utf-8") as MonFichier: MonFichier.write(MaVar) # pas besoin de MonFichier.close() avec with…:

---

2) Tu ouvres ton fichier en mode binaire ('wb'), et tu assures toi-même l’encodage de ta str en bytes*:

Code:

---

1 2 3 4 5

MaVar = """ du texte """   with open(repertoire + '/toto.xml', 'wb') as MonFichier: MonFichier.write(MaVar.encode("utf-8")) # pas besoin de MonFichier.close() avec with…:

---

Attention, tout ce qui précède est en py3, py2 était encore plus pénible dans la gestion chaîne de texte/d’octets…

merci mont !

content de t'avoir fais rire :)

le script que je fais est en jython (java for python) et je crois bien que ce n'est pas compatible py3.

La syntaxe "with open" ne marche pas.
J'ai lancé le code suivant :

Code:

---

1 2 3 4 5 6

repertoire = 'C:/temp' MaVar = """ régle de fou ça """   MonFichier = open(repertoire + '/toto.xml','wb') MonFichier.write(MaVar.encode("utf-8")) MonFichier.close()

---

Quand j'ouvre le fichier avec notepad, onglet encodage, il est en "UTF-8 sans BOM"

et le texte est le suivant :

Code:

---

r‚gle de fou ‡a

---

On y est presque mais c'est pas encore ça :)

Bon week end

Eeeeeh… Si on est en py2, vaudrait peut-être mieux spécifier que la chaîne est unicode, à sa création*? Genre…

Code:

---

1 2 3 4 5 6

repertoire = 'C:/temp' MaVar = u""" régle de fou ça """   MonFichier = open(repertoire + '/toto.xml', 'wb') MonFichier.write(MaVar.encode("utf-8")) MonFichier.close()

---

… Mais je dois bien reconnaître que ne pratiquant que py3 depuis un certain temps, j’ai quelque peu perdu les réflexes de l’arthritique ancêtre… ;)

Bonjour

Citation:

---

Envoyé par mont29

Mais je dois bien reconnaître que ne pratiquant que py3 depuis un certain temps, j’ai quelque peu perdu les réflexes de l’arthritique ancêtre… ;)

---

L'ancêtre Py2 se porte encore très bien, à côté de "l'ado" Py3 qui n'a pas encore tout (ses modules) pour devenir adulte :D :D :D.


Sinon, quelques petits compléments concernant la question posée:

- pour convertir une chaine d'un encodage non-unicode à un autre encodage non-unicode, on doit toujours passer par l'unicode. Exemple pour passer de l'utf-8 au latin1: ch.decode('utf-8').encode('latin1'). Dans cet exemple, ch.decode('utf-8') convertit l'utf-8 en unicode, et .encode('latin1') convertit l'unicode en latin1.

- sous Py2, il plus facile de travailler en interne en unicode, et d'utiliser le module "codecs" pour lire / écrire des fichiers sur disque en précisant alors l'encodage: le module "codecs" se débrouille alors pour faire les conversions.

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

import codecs   ch = u"éèçàùöï" # ch est en unicode grâce à 'u'   f = codecs.open("monfichier.txt", 'w', 'utf-8') f.write(ch + '\n') f.close() # ch est en utf-8 sur disque grâce à codecs   f = codecs.open("monfichier.txt", 'r', 'utf-8') ch2 = f.read() f.close() # ch2 est en unicode en ram grâce à codecs   print ch2.encode(sys.stdout.encoding) éèçàùöï

---

- pour savoir si une chaine a le bon encodage, il faut se méfier de l'affichage, parce que la console d'affichage a elle aussi un encodage! On trouve celui-ci avec sys.stdout.encoding, et si nécessaire, il faut faire la conversion. Par exemple, si le texte est en utf-8 => print chaine.decode("utf-8").encode(sys.stdout.encoding). Si le texte est déjà en unicode, on n'a plus besoin du "decode". A noter cependant que dans certains éditeurs intégrés aux outils de développement, sys.stdout.encoding renvoie 'None': il faut alors consulter la notice pour connaître l'encodage d'affichage de la console.

Attention aussi lors de l'affichage, il est courant que l'affichage d'une chaine avec caractères accentués soit différent lorsqu'elle est seule ou lorsqu'elle est intégrée dans une liste. Par exemple (ici avec PyScripter):

Code:

---

1 2 3 4

print u"éèçàùöï" éèçàùöï print [u"éèçàùöï"] [u'\xe9\xe8\xe7\xe0\xf9\xf6\xef']

---

Le remède: transformer la liste en chaine pour l'affichage.

A titre de vérification, il est intéressant de voir comment un texte dans un fichier sur disque est encodé, en utilisant un éditeur hexa (j'utilise EditHexa).

Enfin, dans les éditeurs de texte, il faut en général que la configuration d'encodage existe lors de la création du fichier. Après modification du texte, tous les éditeurs ne permettent pas les changements d'encodage avec la conversion du texte existant. Par contre, Notepad++ le fait très bien: commande "encodage => convertir en utf-8".

[EDIT] A noter que la lecture d'un fichier encodé en 'utf-8 avec BOM' se lit avec l'encodage Python 'utf_8_sig' et non simplement 'utf-8'.

Merci infiniment !