python打开中文文本utf-8用不了_关于Python文档读取UTF-8编码文件问题

近来接到一个小项目，读取目标文件中每一行url，并逐个请求url，拿到想要的数据。

#-*- coding:utf-8 -*-

classIpUrlManager(object):def __init__(self):

self.newipurls=set()#self.oldipurls = set()

defIs_has_ipurl(self):return len(self.newipurls)!=0defget_ipurl(self):if len(self.newipurls)!=0:

new_ipurl=self.newipurls.pop()#self.oldipurls.add(new_ipurl)

returnnew_ipurlelse:returnNonedefdownload_ipurl(self,destpath):try:

f= open(destpath,'r')

iter_f=iter(f)

lines=0for ipurl initer_f:

lines= lines + 1self.newipurls.add((ipurl.rstrip('\r\n'))#log记录读取了多少行IP url

#print lines

finally:iff:

f.close()

咋一眼看code写的没问题，每一个url 增加进newipurls set集合中。但是请求的过程中，requests.get后，会出现如下错误：

raise InvalidSchema("No connection adapters were found for '%s'" % url)

后来发现每次都是第一行的url请求失败。然后打印print 请求的url。也没发现异常。然后从根源上去找，好吧，print打印newipurls set集合看看。

果然，问题就在这里。

奇怪，为什么这个URL前面为默认加上了\xef\xbb\xbf 这几个字符呢？

上网看了一些资料，原来在python的file对象的readline以及readlines程序中，针对一些UTF-8编码的文件，开头会加入BOM来表明编码方式。

何为BOM？

所谓BOM，全称是Byte Order Mark，它是一个Unicode字符，通常出现在文本的开头，用来标识字节序(Big/Little Endian)，除此以外还可以标识编码(UTF-8/16/32)。

其实如果大家有UltraEdit tool可以发现，在另存为文件的时候，可以保存为UTF-8 和UTF-8 无BOM的文件。

如果将文件另存在UTF-8的格式，则文件的开头默认会增加三个字节\xef\xbb\xbf。

怎么检测该文件是否为UTF-8 带BOM的呢？

importcodecsdefdownload_ipurl(self,destpath):try:

f= open(destpath,'r')

iter_f=iter(f)

lines=0for ipurl initer_f:

lines= lines + 1

if ipurl[0:3] ==codecs.BOM_UTF8:

self.newipurls.add((ipurl.rstrip('\r\n')).lstrip('\xef\xbb\xbf'))#print self.newipurls

#log记录读取了多少行IP url

#print lines

finally:iff:

f.close()

引用codecs模块，来判断前三个字节是否为BOM_UTF8。如果是，则剔除\xef\xbb\xbf字节。

其实大家可以通过其他方式剔除BOM字节，我写的比较粗糙。