reconnaissance chaine de caractère bug en première ligne

Bonjour à tous,
nouvelle en python, je me heurte à un problème... je ne sais pas si c'est vraiment propre à python, mais je ne vois pas où poster ailleurs :/

je vais essayé d'être la plus explicite possible :

j'ai un fichier (corpus.txt dans mon code) qui est constitué de ligne texte, où s’intercalent des lignes du type :

**** *var_1 *var_2

mon script doit réécrire ces lignes :

Code:

---

1 2 3 4 5 6 7

for line in open("corpus.txt",'r'): if line.startswith("aaaa ") : print line   else : print "toto"

---

je n'ai aucun problème pour les lignes en milieu de doc, mais sur la première ligne, il ne reconnaît pas ma suite de caractère...

n'arrivant pas à mettre mes fichers en pj, je les ai laissés ici : http://lu.lou.free.fr/photoForum/doc.zip

Salut,

Chez moi aucun problème.

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

vincent@tiemoko:~/Téléchargements/doc$ python code.py toto aaaa var_o *annee_2012 *mois_jan   toto toto toto toto toto aaaa var_o *annee_201 *mois_fev   toto toto toto toto toto aaaa var_o *annee_20 *mois_fev   toto toto toto toto

---

Pour poster du code, utilise la balise CODE ( le "#" dans le menu d'outils)

merci beaucoup pour ta réponse si rapide,
dans le doc que j'ai mis en ligne, je commence par un saut de page, et là effectivement ça fonctionne, mais si je le supprime (et commence donc par ma ligne étoilée) là ça ne la prend plus :/

Bonjour,

C'est un problème d'encodage des caractères.

Finalement c'est bien que vous ayez mis à disposition le fichier d'origine pour comprendre le problème qu'on ne verrait pas en collant le texte ici.

Le fichier est en UTF-8 mais avec en plus un BOM. c'est un marqueur de 3 octets en en-tête: (0xEF, 0xBB, 0xBF): "" étant sa signature, indiquant que le contenu est encodé en UTF-8.

Tous les éditeurs modernes de textes l'exploitent et donc le masque pour interpréter correctement l'ensemble du texte. Le Bloc-notes de Windows le reconnait par exemple.

Il y a la méthode avec BOM où l'on sait que la suite de caractères encodera en UTF-8. Et la méthode sans BOM où seuls les caractères non ASCII seront encodés sur 2 octets sans marqueur supplémentaire, on ne gagne que 3 octets sur tout le fichier.

Code:

---

1 2	for line in open("corpus.txt",'r'): print(line)

---

Sous Python 2 comme sur 3, il affichera ceci:

Citation:

---



aaaa var_o *annee_2012 *mois_jan

---

C'est sournois quand on exploite ce fichier pensant que c'est du texte ASCII simple.

La méthode à utiliser pour ouvrir le fichier proprement:

Code:

---

1 2 3

# Python 2 for line in open("corpus.txt", 'r'): print(line.decode('utf-8'))

---

Code:

---

1 2 3

# Python 3 for line in open("corpus.txt", 'r', encoding='utf-8'): print(line)

---

Pour connaître le type de fichier, Notepad++ par exemple l'indique clairement quand il sait l'identifier et permet de modifier l'encodage mais aussi de le convertir.

Pièce jointe 177569



Pièce jointe 177568