Python - 处理 Unicode（俄语）Txt 文件

Question

在过去的几个小时里，我一直在为俄罗斯制表符分隔的 txt 文件感到困惑。下面是它的样子：

CODE    AD_GROUP    KEYWORD MATCH_TYPE

009966  Автостраховка   автостраховка   Broad
009965  Автостраховка   страховкаавто   Broad
009964  Автостраховка   страховка автомобиля    Broad

目标是解析 txt 文件，现在分别打印每个关键字。

到目前为止我有：

f = open("struct.txt",encoding="UTF-8",errors='strict')

for line in f:
    vals = line.split("\t")
    print(vals[2])

f.close()

但我不断收到以下错误：

UnicodeDecodeError: 'utf-8' codec can't decode byte 0xff in position 0: invalid start byte

另外，如果我执行 len(vals) 来查看每个列表的长度，我会得到以下信息：4 1 4 1 这可能意味着 split("\") 不起作用？

我正在使用 Python3.3 和 mac。

最后，我认为 mac 上的命令行不显示西里尔字符不是问题 - 它之前已经做到了没有问题（西方 Windows 版本似乎在这方面失败了）。

请让我知道我做错了什么。

谢谢！

Answer 1

使用此代码（Python2.7）

f = open("struct.txt")

for line in f:
    vals = [item for item in line.strip().split("\t") if item != '']
    if len(vals):
        print(vals[2])

f.close()

而您的来源（我对其进行了编辑以确保它有标签）我得到以下输出：

> python so_16703270.py
KEYWORD
автостраховка
страховкаавто
страховка автомобиля

您确定文件中的所有选项卡都有制表符，而某些地方没有空格吗？