python编码错误:UnicodeDecodeError: 'utf8' codec can't decode

这个是在写hive的map脚本时遇到的,基本情况如下:

map文件中调用了其他同学的公用函数,在hive脚本中运行时,输出报错。但是,如果单独运行python,并输出到文件,就没有错误了,感觉异常的诡异,其中hive报错如下:

Traceback (most recent call last):
File “search_map_script_py”, line 114, in
dataStreamProcess(line)
File “search_map_script_py”, line 108, in dataStreamProcess
print ‘%s\t%s\t%s\t%s\t%s\t%s\t%s\t%s\t%s\t%s’ % (pbrand, ptype, psize, res, softv, organic, appfrom, searchtype, cuid, search_tm)
UnicodeDecodeError: ‘ascii’ codec can’t decode byte 0xe5 in position 5: ordinal not in range(128)

于是在map脚本中添加sys模块,设定了输出的环境为utf8:

import sys
reload(sys)
sys.setdefaultencoding(‘utf-8’)

但是,初步的问题解决后,不部分时间脚本运行正常,但是,时而出错。单独运行python,并输出到文本,一切正常。其中hive脚本报错如下:

Traceback (most recent call last): File “searchBox_user_map_script_py”, line 212, in dataStreamProcess(line) File “user_map_script_py”, line 201, in dataStreamProcess print ‘%s\t%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s’ % (baiduapp_uid, imei, actionType, os, os_ver, net, resolution,event_country,event_province,event_city,softv,app_from, loc_country, loc_province, loc_city, phoneBrand, phoneType, phoneSize, netOper, year, month, day, tstamp) UnicodeDecodeError: ‘utf8’ codec can’t decode byte 0x80 in position 25: invalid start byte

以上问题出现后,纠结了大概一周左右,借下面博主的文章,顺利解决:

print ‘%s\t%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s’ % (baiduapp_uid, imei, actionType, os, os_ver, net, resolution,event_country,event_province,event_city,softv,app_from, loc_country, loc_province, loc_city, unicode(phoneBrand).encode(‘utf-8’), unicode(phoneType).encode(‘utf-8’), phoneSize, netOper, year, month, day, tstamp

其中,之前已经判断出错字段为phoneBrand, phoneType。

——————–以下为博主原文—————————–

【已解决】Python脚本语法错误:SyntaxError: (unicode error) ‘utf8’ codec can’t decode byte 0xc0 in position 0: invalid start byte

【背景】

一个python脚本,运行的时候出错了:

D:\tmp\WordPress\Others\to_wp\hi-baidu-mover_v2>hi-baidu-mover_v2011-12-22-office.py -fhttp://hi.baidu.com/recommend_music/blog/item/de233143bd84211a72f05deb.html -l 1
File “D:\tmp\WordPress\Others\to_wp\hi-baidu-mover_v2\hi-baidu-mover_v2011-12-22-office.py”, line 869
cat_no_unicode = opt_no_unicode.replace(u’类别:’, ”)
SyntaxError: (unicode error) ‘utf8’ codec can’t decode byte 0xc0 in position 0: invalid start byte

【解决过程】

1.觉得很奇怪的一点是,这个脚本,一直是可以正常运行的,怎么突然就出现了语法错误了。

然后发现是带有中文的代码,会出现错误。

第一反应是,可能是安装了那个python的Python Imaging Library (PIL)库,然后影响了当前的python 2.7.2版本的语法了,影响成为类似于python 3.x的语法了。

因为之前试过,python 3.x版本中,对于上述写法,即u加上中文,比如:

u‘这是中文’,是不支持的。而python 2.x的语法是支持的,表示这个字符是unicode的字符,会自动处理编码,成为unicode变量的。

所以,就是尝试了,卸载掉之前安装的PIL-1.1.7.win32-py2.7.exe,结果问题依旧。

2.对应着当前这个python脚本,之前还有一个版本,里面也有同样的这部分代码,结果却是,那个脚本可以正常执行,这个脚本无法执行,出现这个SyntaxError: (unicode error)错误,所以更加异怪了。

本来想找个beyondcompare来比较两个脚本之前到底有哪些区别的,结果由于暂时不方便下载安装使用beyondcompare,只好作罢。

3.重新安装了python 2.7.2,问题依旧。

4.重启电脑,问题依旧。

5.后来,把上述代码中中文字符前缀的u,改为函数unicode加上中文字符,即:

cat_no_unicode = opt_no_unicode.replace(unicode(‘类别:’), ”)

结果,就可以正常执行了,没有了这个语法错误。

6.然后才突然想到,是不是脚本文件本身的编码不匹配,一去查看当前所用的notepad++中的当前脚本文件所用的编码,果然,用的是默认的ANSI,而不是utf-8的编码,所以,u”类别:”,无法识别,而 去notepad+中,格式->转为utf-8编码,后,再保存文件,再去运行脚本,就可以支持u”类别:”了。

当然,对应的unicode(“类别:”)这样的做法,起始是最安全的,其不会受到你当前python脚本文件所用编码的影响。

【总结】

1。如果python中所要处理的字符串中包含中文,那么最好要搞懂所用字符的编码,是gbk/gb2312/gb18030,还是utf-8,否则容易出现乱码,以及此处的语法错误。

而为了保险起见,最好用unicode(“中文字符”)的方式,来使用,操作这些中文字符。

当然,如果你自己需要,自己也知道,那最好unicode(“中文字符”).encode(“utf-8”)的方法,把其转为utf-8的格式,这个编码最通用。

2.notepad++新建的文件,也最好使用比较通用的utf-8的格式来存储文件,而不要用默认的ANSI,否则其中的中文,会由于ANSI不支持,而默认用你本地语言,比如我此处的GBK,去编码,这样容易出现一些编码类的错误。

【后记1】

本来觉得上面的理解是完全正确的。

结果证实了,上面的理解,是错误的。。。

实际的例子是:

如果用unicode(“下午”).encode(“utf-8”),然后python脚本可以执行通过,但是结果却不对,无法和我从网页中抓取到的utf-8的“下午“相匹配,导致代码运行结果不是我们想要的。

而只有通过u”下午“.encode(“utf-8”)得到的结果,才和我网页中抓取到的utf-8的”下午“相等,代码才可以按照预期的结果去执行。

所以,结论是:

【总结】

1.python脚本文件所用编码,如果可以,最好用utf-8.

2.脚本中,用到的中文字符,具体是unicode(”中文“).encode(“utf-8”),还是u”中文”.encode(“utf-8”),你要自己尝试,才知道结果如何。至少我这里的,是后者,程序执行结果才是对的。

【后记2】

1.经过测试:

此处我从网页抓取的中文字符moring_afternoon_zhCN,isinstance(moring_afternoon_zhCN, unicode)的结果,是False,即不是unicode字符。和之前介绍的,网页内容被beautifulsoup处理后,就自动转为utf-8这点,所不一致了。暂未搞懂是啥原因。

而且实际一个是utf-8的字符和这个字符比较:

    afternoon_zhCN_utf8 = u"下午".encode("utf-8")

    #if unicode(moring_afternoon_zhCN).encode("utf-8") == afternoon_zhCN_utf8:

    if unicode(moring_afternoon_zhCN).encode("utf-8") == unicode("下午").encode("utf-8") :  # this line can not excute!!!

        hour = str(int(hour) + 8) 

结果也会出错的:

File “D:\tmp\WordPress\Others\to_wp\hi-baidu-mover_v2\hi-baidu-mover_v2011-12-22-office.py”, line 1169, in parseAndSetEntryDatetime

if unicode(moring_afternoon_zhCN).encode("utf-8") == unicode("涓嬪崍").encode("utf-8") :  # this line can excute, but result is worng !!!

UnicodeDecodeError: ‘ascii’ codec can’t decode byte 0xe4 in position 0: ordinal not in range(128)

  1. 上面的isinstance(u”下午”.encode(“utf-8”), unicode)结果为False,即不是unicode字符,这点需要注意一下的。因为本身u”下午”是unicode字符,属于unicode类型,被转换编码encode(“utf-8”)后,就是普通的字符,属于str类型了。

转载自:
1.http://blog.sina.com.cn/s/blog_940224600101499e.html
2.http://againinput4.blog.163.com/blog/static/1727994912011112224749861/

展开阅读全文

没有更多推荐了,返回首页