常常在处理文件时,会出现错误如下:
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xea in position 626: illegal multibyte sequence
或者其它数据编码出现的报错,比如:
UnicodeDecodeError: 'gb2312' codec can't decode byte 0xea in position 626: illegal multibyte sequence
出现该错误的原因是由于文件中存在无法编译的字节,因为本文写一个python脚本来判断下,对于整个文件的字符集参数选择,是存在部分的不能解码的字节,还是整体都不能解码。
python的标准编码列表地址:链接
# python3
f = open(r"文件路径", "rb") # 二进制格式读文件
m = 0
s = 0
while True:
m += 1
line = f.readline()
if not line:
break
else:
try:
line.decode('utf-8')
except:
s += 1
print("第%d行" % (m))
print(str(line))
print("未能正确编译的行数比例:%.2f"%(s/m))
在编码中选择合适的编码方式来解决这个问题,一般出现较多的情况是GBK和utf-8之间的选择。如果出现错误编码的字节数不重要,对后续处理不影响,可以在decode()方法中设置第二个参数:
decode('utf-8', errors='ignore')
其中errors的默认是strict。