白羽扬

导航

python字符串decode中遇到非法字符的问题

web.py模版需要传进的字符是utf-8字符,我读取到的字符串是gbk的,所以我很自然的用s.decode('gbk').encode('utf-8')来转换。可是今天转换时遇到如下异常:

 UnicodeDecodeError: 'gbk' codec can't decode bytes in position 7-8: illegal multibyte sequence

搞了很久,解决不了。后来查了下,再想起策划的有些csv文件的横杠是全角的,有些是半角的,这样decode函数在解码的时候遇到全角斜杠就遇到了非法字符,就会抛出异常。

所以在使用decode的时候加上一个参数:ignore,忽略非法字符,就可以跑过去了。他奶奶的。

下面贴一下在网上搜到的解决方法:

在Python中,可以对String调用decode和encode方法来实现转码。比如,若要将某个String对象s从gbk内码转换为UTF- 8,可以如下操作 s.decode('gbk').encode('utf-8′)

可是,在实际开发中,我发现,这种办法经常会出现异常:

UnicodeDecodeError: ‘gbk' codec can't decode bytes in position 30664-30665: illegal multibyte sequence

这 是因为遇到了非法字符——尤其是在某些用C/C++编写的程序中,全角空格往往有多种不同的实现方式,比如\xa3\xa0,或者\xa4\x57,这些 字符,看起来都是全角空格,但它们并不是“合法”的全角空格(真正的全角空格是\xa1\xa1),因此在转码的过程中出现了异常。 这样的问题很让人头疼,因为只要字符串中出现了一个非法字符,整个字符串——有时候,就是整篇文章——就都无法转码。

解决办法: s.decode('gbk', ‘ignore').encode('utf-8′)

因为decode的函数原型是decode([encoding], [errors='strict']),可以用第二个参数控制错误处理的策略,默认的参数就是strict,代表遇到非法字符时抛出异常; 如果设置为ignore,则会忽略非法字符; 如果设置为replace,则会用?取代非法字符; 如果设置为xmlcharrefreplace,则使用XML的字符引用。

python文档 decode( [encoding[, errors]]) Decodes the string using the codec registered for encoding. encoding defaults to the default string encoding. errors may be given to set a different error handling scheme. The default is 'strict', meaning that encoding errors raise UnicodeError. Other possible values are 'ignore', 'replace' and any other name registered via codecs.register_error, see section 4.8.1.

posted on 2011-10-29 16:43  白羽扬  阅读(8584)  评论(1编辑  收藏  举报