最近在写python(3.6.1)时,遇到了标题上的错误,在网上搜索各种方案,都不好使,网上的方案很多,一般是修改编码集,例如utf-8, gbk:
fileHandler = open('../report.html', mode='r', encoding='UTF-8')
但上面的方法对有的情况起作用,有的情况却不起作用。还有修改读写方式为二进制的,虽然不会再报错,但结果却不对。
那我们要解决这样的错误,要么知道该文件真正的编码方式,在open文件的时候指定相应的编码,要么提前把这个文件转换编码,然后再读取,这样就会成功。
例如,我要读取的文件e:\worksheet.txt是一个由excel 2010保存出来的txt文件,它的编码方式和格式都不清楚,python默认编码、指定utf-8以及gbk都不能正确执行。现在知道这问题是编码导致,我直接把该文件用notepad打开,然后另存一个文件,这时候它就会用windows默认的编码保存了。在python里依次代码为utf-8没有成功,修改成gbk成功。这么说,windows默认用gbk保存了中文。
------------------------------------------------------------------------------
上面是我的看法,网上还看到一些有价值的帖子,也贴出来参考:
原文地址:http://blog.csdn.net/cz626626/article/details/71083309
在python3读取txt文件时,遇到上面问题是因为:
txt文件存的是utf8编码,打开文件的时候没有指定编码,文件虽然是utf8编码,但是在计算机里面存储的还是unicode编码数据,即计算机是将文件的内容按照utf8编码成unicode后存到了硬盘上,而现在执行f.read()的时候,因为没有指定编码,f.read()可能是发现文件中有中文,所以按照gbk来试图将unicode解码,但是因为文件本身是utf8的,所以解码失败。
修改方法1:
FILE_OBJECT= open('aaa.txt','r', encoding='UTF-8')
修改方法2:
FILE_OBJECT= open('aaa.txt','rb')
建议使用第一种,定义数据读取的编码,第二种会以二进制的方法读取数据,会给后面带来麻烦。
------------------------------------------------------------------------
另外一篇:
dhttps://www.crifan.com/summary_python_unicodedecode_error_possible_reasons_and_solutions/?utm_source=tuicool&utm_medium=referral
【背景】
问题参见:
中的:
报错的异常是 |
此问题,还是很具有代表性的,此处,专门整理如下:
【Python中如何处理UnicodeDecodeError和UnicodeEncodeError】
简答:
1.仔细分析错误的类型
2.搞清自己处理的字符串是什么类型的
3.然后换用这种的字符编码去编码或解码
详解:
以上面的错误:
UnicodeDecodeError: ‘gbk’ codec can’t decode bytes in position 2-3: illegal multibyte sequence |
为例,去解释,如何处理这类问题:
1.仔细分析错误的类型
(1)错误是Unicode的编码还是解码
对于此处,错误是:
UnicodeDecodeError |
的类型的。
此英文,对应的中文的含义,其实已经很清楚了:
Unicode的解码(Decode)出现错误(Error)了
而对于上面这句,我们可以推断出:
- 你当前正在处理某种编码类型的字符串
- 此处你要处理字符串,是想要将该字符串去解码decode,变成Unicode
- 但是将该字符串解码变成Unicode期间,却出错了
(2)所用的是何种编码
好的,接着看上面的错误:
‘gbk’ codec can’t decode |
使得错误信息更加明显了:
- 你此处,要将字符串解码为Unicode,是以gbk编码的方式去解码(该字符串变成Unicode)的
- 但是此处通过gbk的方式,却无法解码(can’t decode )
- 注:此处的codec,意思是:编解码(器),是Python内部的模块,用来编码或解码(字符串)的
(3)错误位置
bytes in position 2-3 |
此处的信息,后续一般也很少用到。
有时候会用于定位具体错误的位置。
此处暂且忽略。
(4)错误的细节错误类型
illegal multibyte sequence |
翻译为中文为:
非法的,多字节,序列
简单说就是:
没法(解码)了。
【原因及解决办法】
好了,针对于上面所分析出来的信息:
将一个字符串,通过gbk的方式,去解码,想要获得Unicode字符串,结果出错了
我们来说说原因和解决办法:
此种错误,有几种可能:
(1)要处理的字符串本身不是gbk编码,但是你却以gbk编码去解码
比如,字符串本身是utf-8的,但是你却用gbk去解码utf-8的字符串,所以结果不用说,则必然出错
则必然会出现这类的错误,说是,用gbk的方式去解码字符串,想要获得Unicode字符串,但是结果却解码出错了
解决办法:
如果你确定当前字符串,比如抓取网页通过charset=utf-8,已经确定html的字符串是utf-8的,
则可以直接去通过utf-8去解码。
相关参考内容:
详解抓取网站,模拟登陆,抓取动态网页的原理和实现(Python,C#等)
中的:
【整理】关于HTML网页源码的字符编码(charset)格式(GB2312,GBK,UTF-8,ISO8859-1等)的解释
而如果本身对于所处理的字符串,不太清楚是什么编码类型的,可以尝试去通过chardet等模块,去检测看看:
【教程】如何用Python中的chardet去检测字符编码类型
然后搞清楚了,确定了,字符串是什么类型,然后再去解码。
提示:
关于字符串编码的类型,作为背景学习知识,也应该去了解一下。
这样对于以后处理字符串方面,会更有帮助。
(2)你没有主动的去将字符串编码为对应的Unicode,但是结果也报上面的UnicodeDecodeError的错误
这个情况,最常见的,就是我之前在:
【总结】Python 2.x中常见字符编码和解码方面的错误及其解决办法
所整理过的:
“Python中,打印字符串时,字符串本身的编码,与输出终端中所用编码不匹配”
此处不再赘述,只简要再说一下:
如果你本身拿到的是utf-8等,非gbk编码的字符串,然后用print去打印出来
在windows系统就是输出到cmd中
而cmd中,(对于多数中国人所用的是中文的系统)默认字符编码是gbk
从而导致此种现象:
python要将utf-8编码的字符串,在gbk的cmd的中打印出来
所以先要去尝试,用gbk的编码,解码为Unicode然后再打印出来
结果就出现此处的错误了。
详细解释,还是参见上面的教程。
其中还有示例代码的。
(3)处理的字符的确是gbk的,但是其中夹杂的部分特殊字符,是gbk编码中所没有的
如果有些特殊字符是GB18030中有的,但是是gbk中没有的。
则用gbk去解码,去所不支持的字符,也比如会出错。
所以,此种情况,可以尝试用和当前编码(gbk)所兼容的但所包含字符更多的编码(gb18030)去解码,或许就可以了。
提示:
如果对于GBK,GB18030,以及GB2312不了解,则可参考:
另外:
如果遇到其他的,类似此中错误的,比如:
UnicodeEncodeError: 'gbk' codec can't encode character u'\u3232' in position 0: illegal multibyte sequence |
等类型的错误,你就可以按照上述的思路,去分析,错误的现象,原因,然后通过自己,就可以找到解决办法了。
注:
其他和这类错误相关的,也还有一些可以参考的:
【总结】静态网页抓取,动态网页抓取,模拟登陆的注意事项和心得
中的:“返回的html内容是乱码”