码出个世界

导航

python---转码遇到了非法字符的解决方法:“ignore”

 

在对html response的decode时抛出,代码原样为:

response = urllib.urlopen(dsturl)
content = response.read().decode('utf-8')
 抛出错误为
File "./unxingCrawler_p3.py", line 50, in getNewPhones
  content = response.read().decode()
UnicodeDecodeError: 'utf8' codec can't decode byte 0xb2 in position 24137: invalid start byte 
can't decode byte 0xb2 in position 24137

意思是声明为utf-8编码的网页中出现了utf-8无法解析的字符,即遇到了非法字符——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,整篇文章就都无法转码。

 

解决办法:
unicodestr = json.loads(html.decode("gbk", “ignore”))
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。

posted on 2021-08-16 10:00  码出个世界  阅读(1010)  评论(0编辑  收藏  举报