终端中的 Python NLTK 雪球词干分析器 UnicodeDecodeError 但不是 Eclipse PyDev

Question

我正在使用雪球词干分析器来词干文档中的词，如下面的代码 sn-p 所示。

    stemmer = EnglishStemmer()
    # Stem, lowercase, substitute all punctuations, remove stopwords.
    attribute_names = [stemmer.stem(token.lower()) for token in wordpunct_tokenize(re.sub('[%s]' % re.escape(string.punctuation), '', doc)) if token.lower() not in stopwords.words('english')]

当我在 Eclipse 中使用 PyDev 在文档上运行它时，我没有收到任何错误。当我在终端（Mac OSX）中运行它时，我收到以下错误。有人可以帮忙吗？

File "data_processing.py", line 171, in __filter__
attribute_names = [stemmer.stem(token.lower()) for token in   wordpunct_tokenize(re.sub('[%s]' % re.escape(string.punctuation), '', doc)) if token.lower()     not in stopwords.words('english')]

File "7.3/lib/python2.7/site-packages/nltk-2.0.4-py2.7.egg/nltk/stem/snowball.py", line   694, in stem
word = (word.replace(u"\u2019", u"\x27")

UnicodeDecodeError: 'ascii' codec can't decode byte 0xc2 in position 7: ordinal not in range(128)

Answer 1

这在 PyDev 中有效，因为它将 Python 本身配置为在控制台编码中工作（通常是 UTF-8）。

如果您转到运行配置（运行 > 运行配置），然后在“通用”选项卡上说您希望编码为 ascii，则可以在 PyDev 中重现相同的错误。

发生这种情况是因为您的单词是一个字符串，而您正在用 unicode 字符替换。

我希望下面的代码能给你一些启发：

这都是以ascii为默认编码：

>>> 'íã'.replace(u"\u2019", u"\x27")
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'ascii' codec can't decode byte 0xa1 in position 0: ordinal not in range(128)

但是，如果您使用 unicode 进行所有操作，则可以正常工作（如果您希望处理字符串而不是 unicode，则可能需要在之后将其编码回您期望的编码）。

>>> u'íã'.replace(u"\u2019", u"\x27")
u'\xed\xe3'

因此，您可以在替换之前将字符串设为 unicode

>>> 'íã'.decode('cp850').replace(u"\u2019", u"\x27")
u'\xed\xe3'

或者你可以编码替换字符

>>> 'íã'.replace(u"\u2019".encode('utf-8'), u"\x27".encode('utf-8'))
'\xa1\xc6'

但是请注意，您必须知道您在任何地方使用的实际编码是什么（因此，虽然我在示例中使用的是 cp850 或 utf-8，但它可能与您必须使用的编码不同）

Answer 2

正如 Fabio 所说，这是因为 Pydev 更改了 Python 的默认编码。你知道，有三种可能的解决方案：

在 Pydev 之外测试您的代码

Pydev 将对您隐藏编码问题，直到您在 Eclipse 之外运行代码。因此，不要使用 Eclipse 的“运行”按钮，而是从 shell 测试您的代码。

不过，我不建议这样做：这意味着您的开发环境将与您的运行环境不同，这只会导致出错。

更改 Python 的默认编码

您可以更改 Python 的环境以适应 Pydev 的环境。在this question ( How to set the default encoding to UTF-8 in Python? ) 中讨论。

This answer 会告诉你怎么做，this one 会告诉你为什么不应该这样做。

长话短说，不要。

阻止 Pydev 更改 Python 的默认编码

如果您使用的是 Python 2，Python 的默认编码应该是 ascii。因此，与其通过 hack 使您的环境与 Pydev 一致，不如强迫 Pydev “行为”。如何做到这一点在here 讨论。