UnicodeDecodeError: 'utf-8' codec can't decode byte 0xa9 in position 0: invalid start byte

问题描述

在我进行seek()的练习使用时出现如题所示的报错

f = open('myfile.txt', 'r', encoding='utf-8')
f.seek(8)
print(f.readline())
print(f.readline())

文件内容如下

摄氏温度的转换问题
一二三
三二一

问题解决

将seek()中的偏移量参数改为3，6，9等3的倍数时，余下字符串正常输出，无报错

如图

相关知识及思路

起初我查找网上教程，以为是编码格式设置问题，但是将编码格式指定后，错误依然存在，于是查找了seek的相关说明：¹

概述
seek()方法用于移动文件读取指针到指定位置。

语法 seek() 方法语法如下：

fileObject.seek(offset[, whence])
参数
offset – 开始的偏移量，也就是代表需要移动偏移的字节数

whence：可选，默认值为 0。给offset参数一个定义，表示要从哪个位置开始偏移；0代表从文件开头开始算起，1代表从当前位置开始算起，2代表从文件末尾算起。

再次查找utf-8相关知识，发现关于汉字的解释²：

其他基本多文种平面（BMP）中的字符（这包含了大部分常用字，如大部分的汉字）使用三个字节编码（Unicode范围由U+0800至U+FFFF）。

于是猜测是因为seek的偏移量（起初取为8）使得文件读取指针到了一个并不是单个汉字编码结束的地方（即不是三的整数倍），所以剩下的编码并不能按照三字节、三字节、三字节地解读为正确的字符（此处为汉字），故而报错，遂有了题中以3，6，9为偏移量的试探，经验证，结论正确。

至于查到的特别注明以gbk编码读取而成功解决的案例，那可能文件本身就是以gbk编码写入的，总之，什么形式的编码，就以什么编码形式读取，搞好对应之后，也并不一定不出错。

而gbk编码中单个汉字所占字节数，那又是另一个故事了

---

1. https://www.runoob.com/python/file-seek.html ↩︎

2. https://zh.wikipedia.org/wiki/UTF-8#%E7%BB%93%E6%9E%84 ↩︎