UnicodeEncodeError：解决读取word时 ‘\u2002’报错

前言：Python读取word文本时，报错‘UnicodeEncodeError: ‘gbk’ codec can’t encode character ‘\u2002’ in position 0: illegal multibyte sequence’。处理报错后word文本可以正常打印。

吐槽一下csdn，找了半天没有一个可以正确处理的办法，大多数文章总是大同小异没有原创的，生气。

参考博文：https://www.cnblogs.com/1blog/p/15186566.html

---

问题描述

源代码

file = Document('.\\测试.docx')
for i in file.paragraphs:
    for run in i.runs:
        print(run.text)

报错如下：

Traceback (most recent call last):
  File "D:/PycharmProjects/fracturing/test.py", line 15, in <module>
    print(run.text)
UnicodeEncodeError: 'gbk' codec can't encode character '\u2002' in position 0: illegal multibyte sequence

---

原因分析：

‘\u2002’是以反斜杠u(\u)开头的16进制Unicode编码，这些特殊字符通常不在ASCII可见字符范围内，因此我们在查看word或浏览网页时看不到这些字符，但是在分析word文件以及网页源码时会遇到。

类似的还有
\n 回车(\u000a)
\t 水平制表符(\u0009)
\s 空格(\u0008)（全角半角就不区分了）
\r 换行(\u000d)
\u200b \xa0 \u3000等

---

解决方案：

使用split方法

file = Document('.\\text.docx')
for i in file.paragraphs:
    for run in i.runs:
        a = run.text
        print(''.join(a.split()))

或

file = Document('.\\text.docx')
for i in file.paragraphs:
    for run in i.runs:
        print(''.join(run.text.split()))