迭代通過unicode字符串和使用Unicode比較Python字典

Question

我有一個包含關於日本字和字符信息的兩個Python字典：

1. vocabDic：包含的詞彙，重點：字，值：隨着信息詞典它

2. KANJIDIC：包含漢字（單日文字符），鍵：漢字，值：字典，它

   現在的信息，我想迭代通過量h vocabDic中每個單詞的每個字符，並在漢字字典中查找該字符。我的目標是創建一個csv文件，然後我可以將它導入數據庫，作爲詞彙和漢字的連接表。
   我的Python版本是2.6
   我的代碼如下：
   

   kanjiVocabJoinWriter = csv.writer(open('kanjiVocabJoin.csv', 'wb'), delimiter=',', quotechar='|', quoting=csv.QUOTE_MINIMAL) 
   kanjiVocabJoinCount = 1 
   
   #loop through dictionary 
   for key, val in vocabDic.iteritems(): 
       if val['lang'] is 'jpn': # only check japanese words 
        vocab = val['text'] 
        print vocab 
        # loop through vocab string 
        for v in vocab: 
         test = kanjiDic.get(v) 
         print v 
         print test 
         if test is not None: 
          print str(kanjiVocabJoinCount)+','+str(test['id'])+','+str(val['id']) 
          kanjiVocabJoinWriter([str(kanjiVocabJoinCount),str(test['id']),str(val['id'])]) 
          kanjiVocabJoinCount = kanjiVocabJoinCount+1 
   

如果我打印變量的命令行，我得到：
翻譯：作品，在日本
打印v（for循環中詞彙的一個字符）：
測試（字符在漢字中查找）：無

對我來說，似乎for循環會擾亂編碼。
我試過各種功能（解碼，編碼..），但沒有運氣到目前爲止。
關於如何使這項工作有任何想法？
幫助將非常感激。

Answer 1

從您對問題的描述中，聽起來像vocab是編碼str對象，而不是unicode對象。

爲具體，假設vocab等於u'債務の天井'編碼utf-8：

In [42]: v=u'債務の天井' 
In [43]: vocab=v.encode('utf-8') # val['text'] 
Out[43]: '\xe5\x82\xb5\xe5\x8b\x99\xe3\x81\xae\xe5\xa4\xa9\xe4\xba\x95' 

如果您遍歷所有的編碼str對象，你在一個時間內得到一個字節：\xe5，然後\x82，然後\xb5等

但是，如果您循環播放unicode對象，則一次只能獲得一個Unicode字符：

In [45]: for v in u'債務の天井': 
    ....:  print(v)  
債 
務 
の 
天 
井 

注意第一Unicode字符，在utf-8編碼，是3個字節：

In [49]: u'債'.encode('utf-8') 
Out[49]: '\xe5\x82\xb5' 

這就是爲什麼循環過的字節數，一次打印一個字節，（例如print \xe5）無法打印可識別的字符。

所以它看起來像你需要解碼你的str對象和unicode對象的工作。您沒有提及您用於str對象的編碼。如果是utf-8，那麼你會像這樣解碼：

vocab=val['text'].decode('utf-8') 

如果你不知道什麼編碼val['text']是，發佈的

print(repr(vocab)) 

輸出，也許我們可以猜測編碼。