UnicodeEncodeError: el códec 'latin-1' no puede codificar caracteres

96

¿Qué podría estar causando este error cuando intento insertar un carácter extraño en la base de datos?

>>UnicodeEncodeError: 'latin-1' codec can't encode character u'\u201c' in position 0: ordinal not in range(256)

¿Y cómo lo resuelvo?

¡Gracias!

entrampar
fuente
40
db = MySQLdb.connect (host = "localhost", user = "root", passwd = "", db = "testdb", use_unicode = True, charset = "utf8")
KyungHoon Kim
wow, @KyungHoonKim ¡me salvaste la vida! ¡Arriba vas!
Florian Doyen

Respuestas:

66

El carácter U + 201C La comilla doble izquierda no está presente en la codificación Latin-1 (ISO-8859-1).

Que está presente en la página de códigos 1252 (Europa Occidental). Esta es una codificación específica de Windows que se basa en ISO-8859-1 pero que coloca caracteres adicionales en el rango 0x80-0x9F. La página de códigos 1252 a menudo se confunde con ISO-8859-1, y es un comportamiento del navegador web molesto pero ahora estándar que si entrega sus páginas como ISO-8859-1, el navegador las tratará como cp1252 en su lugar. Sin embargo, en realidad son dos codificaciones distintas:

>>> u'He said \u201CHello\u201D'.encode('iso-8859-1')
UnicodeEncodeError
>>> u'He said \u201CHello\u201D'.encode('cp1252')
'He said \x93Hello\x94'

Si está utilizando su base de datos sólo como un almacén de bytes, puede utilizar cp1252 para codificar y otros caracteres presentes en la página de códigos de Windows Western. Pero aún otros caracteres Unicode que no están presentes en cp1252 causarán errores.

Puede utilizar encode(..., 'ignore')para suprimir los errores deshaciéndose de los caracteres, pero realmente en este siglo debería utilizar UTF-8 tanto en su base de datos como en sus páginas. Esta codificación permite utilizar cualquier carácter. Idealmente, también debería decirle a MySQL que está utilizando cadenas UTF-8 (configurando la conexión de la base de datos y la intercalación en las columnas de cadenas), para que pueda realizar una comparación y clasificación sin distinción entre mayúsculas y minúsculas.

bobince
fuente
1
¿No es cp1252un superconjunto estricto de ISO-8859-1? Es decir, cuando los navegadores reciben una página ISO-8859-1, pueden representarla como si fuera CP1252 porque de 0x80-0x9Ftodos modos no habrá caracteres del rango .
MSalters
3
No, los bytes 0x80–0x9F tienen asignaciones reales en ISO-8859-1, que son anuladas por las adiciones de cp1252 por lo que no es un superconjunto. Se asignan exactamente a los caracteres Unicode U + 0080 – U + 009F, que son una selección de caracteres de control. Son caracteres de control que no se usan mucho, razón por la cual los navegadores se salieron con la suya, pero es molesto cuando intentas convertir una secuencia de bytes como Unicode.
Bobince el
La única vez que he visto caracteres en el rango U + 0080-U + 009F en un archivo codificado como ISO-8859-1 o UTF-8 fue el resultado de que un payaso concatenaba un montón de archivos, algunos de los cuales estaban codificados en cp850. y luego transcodificando el mensaje resultante de "latin1" a UTF-8. El borrador de la especificación HTML5 está considerando santificar ese comportamiento muy práctico del navegador (y un montón de casos similares) - vea whatwg.org/specs/web-apps/current-work/multipage/…
John Machin
94

Me encontré con este mismo problema al usar el módulo Python MySQLdb. Dado que MySQL le permitirá almacenar casi cualquier dato binario que desee en un campo de texto independientemente del conjunto de caracteres, encontré mi solución aquí:

Usando UTF8 con Python MySQLdb

Editar: Cita de la URL anterior para satisfacer la solicitud en el primer comentario ...

"UnicodeEncodeError: el códec 'latin-1' no puede codificar caracteres ..."

Esto se debe a que MySQLdb normalmente intenta codificar todo en latin-1. Esto se puede solucionar ejecutando los siguientes comandos justo después de haber establecido la conexión:

db.set_character_set('utf8')
dbc.execute('SET NAMES utf8;')
dbc.execute('SET CHARACTER SET utf8;')
dbc.execute('SET character_set_connection=utf8;')

"db" es el resultado de MySQLdb.connect()y "dbc" es el resultado de db.cursor().

Mella
fuente
1
Se sugiere que la parte relevante de un elemento vinculado se proporcione en la respuesta. El enlace para lectura adicional es excelente, pero intente
incluir
@Fluffeh Y fue así.
CatShoes
1
Muchas gracias, funcionó como un encanto después de probar 1000 cosas más.
Juergen Riemer
2
Solo db.set_character_set ('utf8') debería resolver el problema
Pandurang Patil
21

La mejor solucion es

  1. establecer el juego de caracteres de mysql en 'utf-8'
  2. me gusta este comentario (agregar use_unicode=Truey charset="utf8")

    db = MySQLdb.connect (host = "localhost", user = "root", passwd = "", db = "testdb", use_unicode = True, charset = "utf8") - KyungHoon Kim 13 de marzo de 14 a las 17:04

ver detalle:

class Connection(_mysql.connection):

    """MySQL Database Connection Object"""

    default_cursor = cursors.Cursor

    def __init__(self, *args, **kwargs):
        """

        Create a connection to the database. It is strongly recommended
        that you only use keyword parameters. Consult the MySQL C API
        documentation for more information.

        host
          string, host to connect

        user
          string, user to connect as

        passwd
          string, password to use

        db
          string, database to use

        port
          integer, TCP/IP port to connect to

        unix_socket
          string, location of unix_socket to use

        conv
          conversion dictionary, see MySQLdb.converters

        connect_timeout
          number of seconds to wait before the connection attempt
          fails.

        compress
          if set, compression is enabled

        named_pipe
          if set, a named pipe is used to connect (Windows only)

        init_command
          command which is run once the connection is created

        read_default_file
          file from which default client values are read

        read_default_group
          configuration group to use from the default file

        cursorclass
          class object, used to create cursors (keyword only)

        use_unicode
          If True, text-like columns are returned as unicode objects
          using the connection's character set.  Otherwise, text-like
          columns are returned as strings.  columns are returned as
          normal strings. Unicode objects will always be encoded to
          the connection's character set regardless of this setting.

        charset
          If supplied, the connection character set will be changed
          to this character set (MySQL-4.1 and newer). This implies
          use_unicode=True.

        sql_mode
          If supplied, the session SQL mode will be changed to this
          setting (MySQL-4.1 and newer). For more details and legal
          values, see the MySQL documentation.

        client_flag
          integer, flags to use or 0
          (see MySQL docs or constants/CLIENTS.py)

        ssl
          dictionary or mapping, contains SSL connection parameters;
          see the MySQL documentation for more details
          (mysql_ssl_set()).  If this is set, and the client does not
          support SSL, NotSupportedError will be raised.

        local_infile
          integer, non-zero enables LOAD LOCAL INFILE; zero disables

        autocommit
          If False (default), autocommit is disabled.
          If True, autocommit is enabled.
          If None, autocommit isn't set and server default is used.

        There are a number of undocumented, non-standard methods. See the
        documentation for the MySQL C API for some hints on what they do.

        """
Cheney
fuente
1
Esta respuesta necesita más votos a favor. Esta es una solución limpia, que elimina la capa de aplicación de los gastos generales de codificación innecesarios.
viernes
¡Excelente! Esto es exactamente lo que estaba buscando
Geek
Además, sería mejor configurar utf8mb4para mysql si tenemos emoji.etc, consulte cuál-es-la-diferencia-entre-utf8mb4-y-utf8-charsets-in-mysql
Cheney
20

Espero que su base de datos sea al menos UTF-8. Entonces deberá ejecutarlo yourstring.encode('utf-8')antes de intentar ponerlo en la base de datos.

Knitti
fuente
3

Está intentando almacenar un punto de código Unicode \u201cutilizando una codificación ISO-8859-1 / Latin-1que no puede describir ese punto de código. Es posible que deba modificar la base de datos para usar utf-8 y almacenar los datos de la cadena con una codificación adecuada, o puede que desee desinfectar sus entradas antes de almacenar el contenido; es decir, usando algo como la excelente guía i18n de Sam Ruby . Eso habla sobre los problemas que windows-1252pueden causar y sugiere cómo procesarlo, ¡además de enlaces al código de muestra!

jabley
fuente
2

Los usuarios de SQLAlchemy pueden simplemente especificar su campo como convert_unicode=True.

Ejemplo: sqlalchemy.String(1000, convert_unicode=True)

SQLAlchemy simplemente aceptará objetos Unicode y los devolverá, manejando la codificación en sí.

Docs

mgojohn
fuente
2

Utilice el siguiente fragmento para convertir el texto del latín al inglés

import unicodedata
def strip_accents(text):
    return "".join(char for char in
                   unicodedata.normalize('NFKD', text)
                   if unicodedata.category(char) != 'Mn')

strip_accents('áéíñóúü')

salida:

'aeinouu'

Uday Allu
fuente
1

Latin-1 (también conocido como ISO 8859-1 ) es un esquema de codificación de caracteres de un solo octeto, y no puede encajar \u201c( ) en un byte.

¿Quería utilizar la codificación UTF-8?

msw
fuente
1
Latin-1 codifica caracteres Unicode específicos , pero no ese. No importa si \ u201c no cabe en un byte. windows-1252 también es un esquema de codificación de un solo octeto, y no incluye \ u201c.
Mark Tolonen
cp1253 (también conocido como windows-1253) es también un esquema de codificación de caracteres de un solo octeto y, sin embargo, \u0391encaja bien en un byte (específicamente, el byte 193). Es posible que desee echar un vistazo a eso ; la gente lo ha encontrado útil.
tzot
Unicode incorpora glifos Latin-1 / cp1253 como puntos de código de 16 bits. Me sorprende que los comentarios parezcan afirmar lo contrario.
msw
-3

Python: deberá agregar # - * - codificación: UTF-8 - * - (elimine los espacios alrededor de *) a la primera línea del archivo Python. y luego agregue lo siguiente al texto para codificar: .encode ('ascii', 'xmlcharrefreplace') . Esto reemplazará todos los caracteres Unicode con su equivalente ASCII.

nids
fuente