处理中文语料 codec can‘t decode byte 0xaa in position 134: illegal multibyte sequence问题

在处理中文语料时,遇到'gb2312'编码错误,尝试使用gb18030编码格式解决大部分问题,少数文件依然报错。最终通过设置errors='ignore'参数忽略错误,成功处理文件。
摘要由CSDN通过智能技术生成
import os
import jieba
import chardet
path = "D:/python/复旦中文文本训练集/train/"
path1 = "D:/python/复旦中文文本训练集/"

def check(path: str):
    with open(path, 'rb') as f:
      print(chardet.detect(f.read())['encoding'], ': ', i)

发现都是GB2312编码

 但是open起来就有问题了

# 获取语料库文件夹下所有文件名
filelist = []
for i in os.listdir(path):
    for j in os.listdir(path+i):
        filelist.append(path+i+"/"+j)

# 语料拼接起来放一起
str = ""        
for file in filelist:
    with open(file, encoding='GB2312') as f:        
        article = f.read()
        str += article

报错:'gb2312' codec can't decode byte 0xaa in position 134: illegal multibyte sequence

网上一搜,说GB2312对于繁体字会报错,于是

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值