在文本处理时遇到了一点小问题,记录一下
报错提示:UnicodeDecodeError: ‘utf-8’ codec can’t decode byte 0xbc in position 2: invalid start byte
文件中出现了utf-8无法正确读取的中文字符,这里可以尝试使用 encoding=‘gbk’ 来读取。
f = open(path, 'r', encoding='gbk')
有时也会出现GBK无法读取某些中文字符的情况,报错‘gbk’ codec can’t decode bytes in position 31023: illegal multibyte sequence。
解决方案一:文件读取时指明参数 errors=‘ignore’,但这种方法往往会造成后面处理时的不可预知的一些小错误,或者处理效果不好。
f = open(path, 'r', encoding='gbk', errors='ignore')
解决方案二:更换其他编码方式,比如gb18030,下面给出几种编码方式的一点说明
utf-8与GBK的区别
区别:GBK主要用于中文编码,包含许多中文字符;
utf8包含全世界所有国家需要用到的字符,通用性强;utf8比较灵活,长度在1-6个字节,GBK的长度为2个字节,和GBK相比,utf8会占用更多的数据库存储空间。
GBK采用双字节表示,全部编码分为三大部分:汉字区、图形符号区、用户自定义区。utf8将Unicode码表分为3部分,分别是0000-007F,0080-07FF,0800-FFFF。
utf8的优势:兼容ASCII,适合网络传输,大多数网页都采用了utf8编码方式。但是很多时候读取中文文本的时候会报错。
常用的中文编码方式:GB2312、GBK、GB18030,其中GB2312收录了7445个字符,GBK还收录了藏文,GB18030包含27000多个汉字和字符。
资料拓展:在标准UTF-8编码中,超出基本多语言范围(BMP-Basic Multilingual Plane)的字符被编码为4字节格式,但是在修正的UTF-8编码中,它们由代理编码表示,然后这些代理编码对在序列中分别重新编码。结果标准UTF-8编码中需要4个字节的字符,在修正后的UTF-8编码中将需要6个字节。