Então - o maior problema aí é que você tem em mãos um objeto list
, retornado pela iteração no "reader" - e e está tentando escrever essa lista direto num arquivo texto de saída, converendo-a em string apenas com o operdor %
na linha f.write("%s\n" % line)
.
Essa transformação da lista em string (mesmo que você estivesse usando o método .format
de strings em vez do %
), usa a representação interna (repr
) de cada elemento da lista - não sua representação com str
). Se fosse em Python 3 o seu código teria funcionado, por que a representação interna para caractéres acentuados simples exibe os mesmos, em vez da codificação com escape ("\xHH" para as byte-strings em Python 2, \uHHHH para as strins de texto de Python 3).
No entanto, o correto mesmo é codificar gravar cada string da lista separadamente - assegurando que o Python use internamente a representação dada por str
- adaptando o seu código, ele pode ficar assim - assumindo que você queria que o arquivo de saída possa ser lido exatamente como o seu código tenta: em cada linha lista de strings usando a sintaxe do Python:
import csv
def parse(filename):
with open(filename, 'r') as csvfile, open('output.txt', 'w') as f:
dialect = csv.Sniffer().sniff(csvfile.read(), delimiters=';')
csvfile.seek(0)
reader = csv.reader(csvfile, dialect=dialect)
for line in reader:
f.write("[%s]" % ", ".join("'%s'" % field for field in line) )
parse('Soap.csv')
Note que eue arrumei outro ponto gritante do seu código que é abrir um arquivo pra escrita no corpo do módulo, e fecha-lo no corpo do módulo, sem nenhum tratamento de erro, e com a função assumindo o arquivo aberto como variável global.
Seo arquivo for ser usado em mais de uma função, ou em mais chamadas para a mesma função: (1) crie uma outra funao para encapsular todas as chamadas que vão gravar no arquivo; (2) de preferencia ao comando "with" para abrir (e fechar automaticamente) o arquivo de escrita; (3) passe o arquivo aberto como parâmetro, explicitamente, para todas as funções que vão usa-lo.
Agora, como eu mencionei antes, esse código usa Python 2, e funciona quase que por acaso. Por que você está tratando dados de texto -tanto do seu arquivo de entrada, quando da saída - sem tentar decodificar os dados lidos ou codificar os escritos para um encoding específico. E esse tipo de coisa que deixa o Python 2 tão difícil - as pessoas assumem qeu está "certo", mas o tal "\xe9" tanto pode ser um "é" se a codificação for "latin1", quanto qualquer oturo caractere se a codificação for Grego, alfabeto Cirílico, Hebreu ou outra língua.
Em Python 2 o módulo csv é bem limitado pra iar com texto de verdade - reuqer a decodificação manual de cada elemento deposi de lido. Em Python 3 ele já decodifica o texto automaticamente.
Então, assumindo que você esteja lendo um arquivo CSV em Latin 1 e queira sua saída em utf-8, por exemplo, pode fazer assim:
import csv
INPUT_CODEC = "latin1"
OUTPUT_CODEC = "utf-8"
def parse(filename):
with open(filename, 'r') as csvfile, open('output.txt', 'w') as f:
dialect = csv.Sniffer().sniff(csvfile.read(), delimiters=';')
csvfile.seek(0)
reader = csv.reader(csvfile, dialect=dialect)
for line in reader:
line = [field.decode(INPUT_CODEC) for field in line]
f.write("[%s]" % ", ".join("'%s'" % field.encode(OUTPUT_CODEC) for field in line))
parse('Soap.csv')
Já em Python 3, você passa as codificações no momento de abrir os arquivos, e o Python faz o decoding e encoding pra você. Se não passar ele tenta usar valores default apropriados a partir do contexto do sistema operacional:
with open(filename, 'r', encoding="latin1") as csvfile, open('output.txt', 'w', encoding="utf-8") as f:
Ainda há uma outra questão - se suas strings contiverem quebras de linha e possivelmente alguns outros caractéres, essas quebras de linha ("\n") vão entrar direto no seu arquivo de saída, fazendo com que se tornem de leitura difícil - e sintaticamente inválidos como "uma lista de Python por string" - isso é, se no seu CSV tiver algo como 'palavra 1; "batatinha quando nasce\n esparrama pelo chão"; palavra 3
, o "enter" dentro da segunda coluna sera lido corretamente pelo leitor de CSV (por causa das aspas) - e será gravado no seu arquivo de saída.
Para evitar isso, você pode escapar a quebra de linha e mais alguns caracteres especiais no arquivo de saída: isso é converter caracteres que comprometem a estrutura do arquivo em sequencias substitutas, que não causem problemas para o arquivo e sejam interpretadas na volta - uma das formas de ler seu arquivo de saída e'fazendo um "eval" em cada linha, por exemplo. Uma forma segura é usar os métodos urllib.quote
para gravar cada string e urllib.unquote
- mas isso vai exigir um trtaamento na leitura, e vai gerar um arquivo dificil de ler e editar a mão. Outra forma é só trocar cada "\" real por duas "\", e, em seguida, todos os "\n" (um único caractere com codigo decimal 10) por "\\n"
(dois caractere, a "\" e o "n") - dessa forma quando o Python fizer um "eval", vai ler a sequência "\" como uma única "\" e vai interpretar o "\n" no arquivo de texto como um único caractere "new line".
f.write("%s\n" % unicode(line, "utf-8"))
?unicode(str(line), "utf-8")
e veja se isso resolve o problema.