Unicode et espace insécable

Version imprimable

20/09/2009, 19h16
Chris33

Unicode et espace insécable

Bonjour à tous,
;)

La ligne

Code:

affichage=affichage.decode("utf-8")

provoque une erreur. En fait affichage contient un texte html et je m'aperçois que la cause de cette erreur est

Code:

càd un espace insécable.

Est-ce un problème de ma part ou est-ce que Unicode ne gère pas ce caractère?

Par ailleurs dans le module qui lit l'url, j'ajoute:

Code:

self.contenu_texte += self.re_multiplespaces.sub(' ',data.replace('\t',' ').replace('\n','').replace('\r','').replace('"','""').replace(chr(160), ' ')

L'espace insécable est bien remplacé mais les 'à' ne sont plus affichés...

D'avance merci à qui pouua m'aider.
20/09/2009, 20h39
tyrtamos

Bonjour,

L'espace insécable en unicode existe bien (160 ou \xA0), tu peux le vérifier facilement avec une table de caractères (Windows ou Linux).

L'instruction "affichage.decode("utf-8")" convertit le chaine "affichage" (supposée être écrite avec l'encodage "utf-8"), en chaine encodée en unicode interne.

Si cela génère une erreur, c'est que "affichage" n'est pas en utf-8.

Tyrtamos
20/09/2009, 22h03
Chris33

Tout d'abord merci de m'avoir répondu.

affichage contient un texte récupéré sur wikipédia et le code source de l'url indique:

Code:

<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />

... C'est pourquoi je ne comprends pas ce qui se passe.
20/09/2009, 22h41
tyrtamos

charset=utf-8 indique simplement que le code source de la page est en utf-8 lorsqu'il est transmis au navigateur, ceci afin que le navigateur affiche correctement.

Après, tout dépend de la façon dont tu as récupéré le texte sous Python: téléchargement direct, enregistrement sur disque, copier-coller, etc... La solution utilisée doit avoir fait une conversion cachée.

Dis comment tu as récupéré le texte html.

Tyrtamos

Voici une partie du script en question:

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
parser = URLLister()
		parser.feed(handle.read())        
		parser.close()                    
 
		self.definition=parser.contenu_texte
 
 
class URLLister(SGMLParser):
	""" --- URLLISTER pour wikipédia ---"""
	def reset(self):                              
		SGMLParser.reset(self)
		self.in_p=0 # Si nous sommes à l'intérieur du balise <p>...</p> 
		self.contenu_texte=''
		self.re_multiplespaces = re.compile('\s+')  # regular expression used to remove spaces in excess
 
	def start_p(self, attrs):    
		if self.in_p==0:
			print'attrs :', attrs
			self.in_p=1
 
	def end_p(self):
		self.in_p=2
 
	def handle_data(self, data):
		if self.in_p==1:	
			self.contenu_texte += self.re_multiplespaces.sub(' ',data.replace('\t',' ').replace('\n','').replace('\r','').replace('"','""'))

self.contenu_texte et self.definition sont-ils en utf-8?

21/09/2009, 02h00
eyquem

Code:

data.replace('\t',' ').replace('\n','').replace('\r','').replace('"','""')

remplace chaque caractère de tabulation ’\t’ par un blanc ’ ’,
fait disparaître tous les caractères ’\n’ et ’\r’ (ça va donner un drôle de résultat !! 8O)
et remplace chaque caractère ’“’ par deux: ’”“’ (je ne vois pas dans quel but)

data se retrouve donc composée uniquement de caractères différents de ’\t’ ’\r’ et ’\n’ + des blancs

Lancée là dessus, re_multiplespaces.sub() trouve tous les ’\f’ et les ’\v’ (peu) et les blancs (beaucoup), et les remplace... par des blancs !

Tarabiscoté.
N e faut-il pas commencer par corriger ceci ?

D’autre part, n’est-il pas dommage de se lancer dans la rédaction d’un code avec un module sgmllib et une classe SGMLParser qi sont dépréciés depuis 2.6 et ont disparu de 3.x ?
ll doit bien y avoir une raison à cela.

De plus, je ne vois pas quel intérêt il y a à passer par une instance de classe plutôt que par une fonction pou traiter le document HTML.

Bonjour.

Citation:

Envoyé par Chris33

self.contenu_texte et self.definition sont-ils en utf-8?

Désolé, mais ton code est en même temps trop compliqué pour moi et trop incomplet pour que je te donne une réponse. Il faut faciliter le travail des gens à qui tu demandes de l'aide: fais un petit code mini qui montre le problème et qu'on peut essayer chez nous par simple copier-coller.

Par ailleurs, j'abonde dans le sens d'eyquem: le module que tu utilises est obsolète. Et ce genre de module a justement tendance à ne pas bien supporter l'unicode.

Les problèmes d'encodage sont complexes. Voilà quelques éléments pour te donner un coup de pouce:

- il faut coder pour laisser Python manipuler des chaines unicode en interne.

- on convertit les chaines en unicode le plus tôt possible, et en sortie le plus tard possible.

- les conversions d'un encodage à un autre passent toujours par l'unicode interne.

- quand on parle d'unicode en Python, on ne parle que d'unicode interne (=UCS2 qui est une version simplifiée d'utf-16). L'utf-8 et l'utf-16 sont identifiés comme type str et non comme type unicode!

Voilà un petit code qui convertit une chaine d'un encodage à un autre:
Code:

1 2 3 4 5 6 7 8 9 10 11 12 13 import sys def convertir(ch, codin='utf-8', codout=None): """convertit l'encodage d'une chaine de caractères""" if codout==None: codout = sys.stdout.encoding # = l'encodage de la console en cours if isinstance(ch,str): return ch.decode(codin).encode(codout, "replace") elif isinstance(ch,unicode): return ch.encode(codout, "replace") else: return "Erreur: ch doit etre une chaine de caracteres" print
Ici, codin est l'encodage de la chaine si elle n'est pas en unicode (on met l'encodage du code source Python par defaut). Et codout est l'encodage cible, mis par défaut à sys.stdout.encoding, qui est l'encodage de la console en cours pour un affichage correct. Si le caractère à convertir n'existe pas dans l'encodage cible, il est remplacé par '?' pour éviter une erreur.

Voilà quelques exemples d'application de la fonction convertir():

texte = "abcéèçƩ" # =texte en utf-8
print convertir(texte) # puisque utf-8 est ici le mode par defaut de convertir()
print [ord(c) for c in texte]
print

texte = u"abcéèçƩ" # =texte en unicode
print convertir(texte) # puisque l'unicode est detecte directement par convertir
print [ord(c) for c in texte]
print

texte = u"abcéèçƩ".encode("iso-8859-1", "replace") # =texte en iso-8859-1
print convertir(texte, 'iso-8859-1')
print [ord(c) for c in texte]
print

texte = u"abcéèçƩ".encode("cp1252", "replace") # =texte en cp1252 (Windows)
print convertir(texte, 'cp1252')
print [ord(c) for c in texte]
print

texte = u"abcéèçƩ".encode("cp850", "replace") # =texte en cp850 (console DOS de Windows)
print convertir(texte, 'cp850')
print [ord(c) for c in texte]
print

Ce qui affiche:

abcéèçƩ
[97, 98, 99, 195, 169, 195, 168, 195, 167, 198, 169]

abcéèçƩ
[97, 98, 99, 233, 232, 231, 425]

abcéèç?
[97, 98, 99, 233, 232, 231, 63]

abcéèç?
[97, 98, 99, 233, 232, 231, 63]

abcéèç?
[97, 98, 99, 130, 138, 135, 63]

Le code #425 est un sigma ('Ʃ') qui n'existe qu'en unicode (unicode interne, utf-8, utf-16, ...). On voit qu'il est codé différemment selon les encodages:
- 198, 169 en utf-8
- 425 en unicode
- 63 = '?' dans les encodages en un octet puisque ce caractère n'existe pas dans ces encodages

Tyrtamos

Désolé, je reconnais ne pas vous avoir facilité la tâche. Je viens donc de revoir mon code. Voici un module complet. Il est je pense explicite et fonctionne parfaitement aussi n'hésitez pas à le tester. J'en suis encore à Python 2.4 et j'utilise Scite...
Ce n'est pas dans ce module que j'ai le problème soulevé plus haut mais je comprends que c'est là que je dois intervenir.

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
#!/usr/bin/python
# -*- coding:Latin-1 -*-
 
# Ce module recherche un mot anglais sur wikipédia, puis sa traduction en français et enfin la définition correspondante toujours en français.
 
import urllib, urllib2
from sgmllib import SGMLParser
import re
 
urlopen = urllib2.urlopen
Request = urllib2.Request
 
mon_url = 'http://en.wikipedia.org/wiki/w/index.php'
 
class Wikipedia(object):
	def __init__(self):
		self.traduction=''
		self.definition=''
 
	def rechercher(self,a_rechercher='computer'):
		"""  - traduction représente la traduction du mot anglais(a_rechercher) et mémorise celle-ci
                        dans self.traduction.
                     - appelle la méthode french_traduction()."""
		values = {'search':a_rechercher}
		txdata = urllib.urlencode(values)
		txheaders =  {'User-agent' : 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'}	
		try:
			req = Request(mon_url, txdata, txheaders) ### création d'un objet request
			handle = urlopen(req) ### on l'ouvre pour renvoyer un handle sur l'url
		except IOError, e:
		    print '--- ERREUR'
		else:
		        self.traduction=self.french_traduction(handle)
 
 
	def french_traduction(self,handle):
		"""  - Appelée par rechercher().
                     - Cette méthode cherche le mot français sur la page en anglais.  Ce mot se trouve toujours
                     sur la ligne qui contient le lien vers la page en français,
                     exemple :<li class="interwiki-fr"><a href="http://fr.wikipedia.org/wiki/Maison">FranÃ§ais</a></li>
                     - Le mot français est ensuite retourné à la méthode appelante.
                     - S'il n'existe pas de traduction dans wikipédia alors None est retounée d'office.
                """
		for ligne in handle.readlines():
			### Cherche la ligne, puis en extrait le mot français.
			if '<li class="interwiki-fr">' in ligne:
				traduction=ligne
				traduction= ligne[67:]
				traduction=traduction[:-21]
				return traduction
 
	def definition_du_mot(self,a_rechercher):
		"""  Cette méthode extrait de la page web affichée la défintion du mot concerné
                     et la mémorise dans self.definition. """
		# url française :
		mon_url = 'http://fr.wikipedia.org/wiki/w/index.php'
 
		values = {'search':a_rechercher}
		txdata = urllib.urlencode(values)
		txheaders =  {'User-agent' : 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'}	
 
		req = Request(mon_url, txdata, txheaders) ### création d'un objet request
		handle = urlopen(req) ### on l'ouvre pour renvoyer un handle sur l'url
		parser = URLLister()
		parser.feed(handle.read())        
		parser.close()                    
 
		self.definition=parser.contenu_texte
 
 
class URLLister(SGMLParser):
	""" --- URLLISTER pour wikipédia ---"""
	def reset(self):                              
		SGMLParser.reset(self)
		self.in_p=0 # Si nous sommes à l'intérieur du balise <p>...</p> 
		self.contenu_texte=''
		self.re_multiplespaces = re.compile('\s+')  # regular expression used to remove spaces in excess
 
	def start_p(self, attrs):    
		if self.in_p==0:
			print'attrs :', attrs
			self.in_p=1
 
	def end_p(self):
		self.in_p=2
 
	def handle_data(self, data):
		if self.in_p==1:	
			data=data.replace(chr(160),'W')
			self.contenu_texte += self.re_multiplespaces.sub(' ',data.replace('\t',' ').replace('\n','').replace('\r','').replace('"','""'))
 
 
if __name__=='__main__':
	test=Wikipedia()
	test.rechercher()
	test.definition_du_mot(test.traduction)
	print'--- traduction :', test.traduction
	print'--- definition :', test.definition

Pour l'instant je vais étudier vos explications et je vous en remercie tous deux.

21/09/2009, 11h23
tyrtamos
Résultat des courses avec ton nouveau code:

ajoute l'importation de sys au début:
Code:

1 2 import sys
remplace tes 2 dernières lignes par:
Code:

1 2 3 print'--- traduction :', test.traduction.decode('utf-8').encode(sys.stdout.encoding) print'--- definition :', test.definition.decode('utf-8').encode(sys.stdout.encoding)
Et l'affichage sur la console est ok:

attrs : []
--- traduction : Ordinateur
--- definition : Un ordinateur est une machine dotée d'une unité de traitement lui permettant d'exécuter des programmes enregistrés. C'est un ensemble de circuits électroniques permettant de manipuler des données sous forme binaire, ou bits. Cette machine permet de traiter automatiquement les données, ou informations, selon des séquences d'instructions prédéfinies appelées aussi programmes.

Donc: le texte récupéré est bien en utf-8!

Tyrtamos

Merci pour ces précisions.

Par contre sys.stdout.encoding semble ne pas fonctionner dans Scite alors qu'il fonctionne dans IDLE.

aussi mes 2 dernières lignesj'utilise:

Code:

1
2
print'--- traduction :', test.traduction.decode('utf-8').encode( locale.getdefaultlocale()[1])
	print'--- definition :', test.definition.decode('utf-8').encode( locale.getdefaultlocale()[1])

Code:

import locale

De même dans l'exemple je suis obligé de modifié

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
#!/bin/env python
# -*- coding:Latin-1 -*-
import locale

def convertir(ch, codin='utf-8', codout=None):
    """convertit l'encodage d'une chaine de caractères"""
    if codout==None:
        codout = locale.getdefaultlocale()[1] # = l'encodage de la console en cours
	print'--- codout:',codout
    if isinstance(ch,str):
        return ch.decode(codin).encode(codout, "replace")
    elif isinstance(ch,unicode):
        return ch.encode(codout, "replace")
    else:
        return "Erreur: ch doit etre une chaine de caracteres"
    print

et cala fonctionne pour tous tes exemples sauf:

Code:

1
2
3
4
texte = "abcéèç?" # =texte en utf-8
print convertir(texte) # puisque utf-8 est ici le mode par defaut de convertir()
print [ord(c) for c in texte]
print

Je suis obligé de m'absenter mais à plus tard j'espère et encore Merci.

Bonjour,

Quand j'examine le code que tu m'as donné:

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
 
import sys
def convertir(ch, codin='utf-8', codout=None):
    """convertit l'encodage d'une chaine de caractères"""
    if codout==None:
        codout = sys.stdout.encoding # = l'encodage de la console en cours
    if isinstance(ch,str):
        return ch.decode(codin).encode(codout, "replace")
    elif isinstance(ch,unicode):
        return ch.encode(codout, "replace")
    else:
        return "Erreur: ch doit etre une chaine de caracteres"
    print
 
 
print"sys.getdefaultencoding() : ", sys.getdefaultencoding()
print"sys.stdout.encoding() : ", sys.stdout.encoding

J'obtiens:
sys.getdefaultencoding() : ascii
sys.stdout.encoding() : None

et bien sûr None est le début de mon problème. Connais-tu la raison à celà?

22/09/2009, 10h30
tyrtamos
Bonjour,

sys.getdefaultencoding() donne le codec utilisé par défaut dans les conversions unicode lorsqu'on ne le précise pas. C'est effectivement ascii. C'est une cause courante de plantage puisqu'ascii ne supporte pas les caractères accentués.

sys.stdout.encoding (sans parenthèse) donne l'encodage de la console d'affichage. Mais certains éditeurs renvoient None. Cela m'est arrivé sur "EasyEclipse pour Python". Il faut, bien entendu connaitre cet encodage, et l'initialiser comme suit (exemple d'une console 'utf-8'):
Code:

1 2 3 4 codout = sys.stdout.encoding if codout == None: codout = 'utf-8'
Si tu ne connais pas l'encodage de la console d'affichage de ton outil de développement, il faut plonger dans sa notice: c'est indispensable de la connaitre.

Tyrtamos
22/09/2009, 10h53
Chris33
J'utilise Scite, et j'ai vu dans les cours et tutoriels Python qu'il valait mieux préciser:
Code:

1 2 #!/usr/bin/env python # -*- coding: cp1252 -*-
auparavant, j'utilisais

Code:

# -*- coding: latin1 -*-
22/09/2009, 11h51
tyrtamos

Suite à ton dernier message, quelques infos complémentaires:

1- pour qu'un code source Python soit exécuté avec un encodage donné, il ne faut pas seulement préciser la ligne coding (qui renseignera l'interpréteur Python lors de l'exécution), mais aussi enregistrer ce code source avec le même encodage. Et ça ne représente pour Python que la clé pour encoder les chaines de caractères écrites en dur dans le code source, mais ça ne définit pas l'encodage de la console.

2- l'encodage 'cp1252' est l'encodage par défaut de Windows, et Windows est le seul à l'utiliser. Tu peux l'utiliser tant que tu restes sous Windows, mais ce n'est pas une obligation (moi, j'utilise 'utf-8'). Cela suppose que ton éditeur peut enregistrer avec cet encodage (à vérifier). A noter que l'encodage de la console DOS de Windows (cmd.exe) est 'cp850', qui code différemment les caractères accentués.

L'encodage 'latin-1' est un autre nom pour 'iso-8859-1' qui est plus général que 'cp1252'. 'iso-8859-15' permet en plus le caractère de l'euro '€'.

Trouver un outil de développement qui te permet de préciser les encodages de l'édition, de la console d'affichage et de l'enregistrement n'est pas ce qu'il y a de plus simple. J'ai essayé scite, mais je me perds dans les fichiers de configuration. Le seul que j'ai trouvé et qui me convient est "Eclipse+Pydev".

Tyrtamos
22/09/2009, 22h35
Chris33

Suite à ton message, et pour mieux comprendre, je viens d'installer Eclipse. Mais à nouveau

Code:

print"--- sys.stdout.encoding :",sys.stdout.encoding

me renvoie None. Toujours et encore...

Je suis ensuite allé dans Edit-->Set Encoding...et là j'ai bien une fenêtre avec 2 options: la case cochée est Other avec menu déroulant sur UTF-8...
23/09/2009, 07h49
tyrtamos

Bonjour,

Je ne savais pas que tu allais installer Eclipse, sinon, je t'aurais suggéré mon petit tuto: http://python.jpvweb.com/mesrecettes.../eclipse_pydev.

Installé comme ça, sys.stdout.encoding donne bien l'utf-8 que j'ai mis dans la config.

Dans la configuration d'Eclipse, le réglage de l'encodage (et de la fin de ligne) se fait dans le menu:
Windows -> Préférences -> Général -> Workspace.

Avec une version précédente d'Eclipse, cette configuration ne suffisait pas pour l'encodage de la console, et le sys.stdout.encoding renvoyait None. Il suffisait alors d'ajouter dans eclipse.ini la ligne:

Citation:

-Dfile.encoding=UTF-8

Et là, la console était bien en utf-8, et le sys.stdout.encoding renvoyait bien utf-8 comme prévu.

Tu peux, bien entendu, choisir un autre encodage que utf-8, y compris cp1252 si tu restes dans Windows.

Tyrtamos

Bonjour,

Je suis effectivement allé visité ton site mais tard. Par contre il est formidable et je ne manquerai pas d'y retourner.

En ce qui concerne Eclipse, je viens d'effectuer les derniers réglages. Voici la copie de mon fichier eclipse.ini avec le rajout mais cela ne change toujours rien et cela même après avoir relancé Eclipse.
Code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 -startup plugins/org.eclipse.equinox.launcher_1.0.200.v20090520.jar --launcher.library plugins/org.eclipse.equinox.launcher.win32.win32.x86_1.0.200.v20090519 -product org.eclipse.epp.package.jee.product --launcher.XXMaxPermSize 256M -showsplash org.eclipse.platform --launcher.XXMaxPermSize 256m -vmargs -Dosgi.requiredJavaVersion=1.5 -Xms40m -Xmx512m -Dfile.encoding=UTF-8

23/09/2009, 22h00
tyrtamos

Comme je ne sais pas quel Eclipse+Pydev tu as installé, je ne peux que te suggérer d'utiliser celui dont je donne l'adresse dans le tuto. Chez moi, ça marche.

Tyrtamos
25/09/2009, 10h48
Chris33
Bonjour,

Je viens d'installer Python 3.1 et là mon problème et en partie résolu mais toujours aussi incompréhensible. En fait, le même script:
Code:

1 2 3 4 5 #! /usr/bin/python # -*- coding:utf-8 -*- import sys print("--- sys.stdout.encoding : ", sys.stdout.encoding)
donne un résultat différent en fonction de son emplacement,
avec chemin d'accès:
C:\Python31\encodage.py
j'obtiens:
('--- sys.stdout.encoding : ', None)

avec chemin d'accès:
C:\Python31\Mes scripts en Python3\encodage.py
j'obtiens:
--- sys.stdout.encoding : cp1252
26/09/2009, 08h08
tyrtamos

Bonjour,

En fait, ce n'est pas un gros problème. Quand sys.stdout.encoding renvoie None, il suffit de savoir ce qu'il faut mettre à la place, c'est à dire le vrai encodage de la console d'affichage.

Tyrtamos
26/09/2009, 10h38
Chris33

Je pense effectivement avoir résolu mon problème. Je vais maintenant revoir mon script en tenant compte des nouveautés de Python3.

Je laisse néanmoins ce sujet ouvert pour l'instant...

Grand merci pour l'aide et le temps que tu m'as accordé.:merci: