標籤:
在Python中,可以對String調用decode和encode方法來實現轉碼。
比如,若要將某個String對象s從gbk內碼轉換為UTF-8,可以如下操作
s.decode(‘gbk‘).encode(‘utf-8′)
可是,在實際開發中,我發現,這種辦法經常會出現異常:
UnicodeDecodeError: ‘gbk‘ codec can‘t decode bytes in position 30664-30665: illegal multibyte sequence
這 是因為遇到了非法字元——尤其是在某些用C/C++編寫的程式中,全形空格往往有多種不同的實現方式,比如\xa3\xa0,或者\xa4\x57,這些 字元,看起來都是全形空格,但它們並不是“合法”的全形空格(真正的全形空格是\xa1\xa1),因此在轉碼的過程中出現了異常。
這樣的問題很讓人頭疼,因為只要字串中出現了一個非法字元,整個字串——有時候,就是整篇文章——就都無法轉碼。
解決辦法:
s.decode(‘gbk‘, ‘ignore‘).encode(‘utf-8′)
因為decode的函數原型是decode([encoding], [errors=‘strict‘]),可以用第二個參數控制錯誤處理的策略,預設的參數就是strict,代表遇到非法字元時拋出異常;
如果設定為ignore,則會忽略非法字元;
如果設定為replace,則會用?取代非法字元;
如果設定為xmlcharrefreplace,則使用XML的字元引用。
python文檔
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.
python轉碼時出現‘illegal multibyte sequen‘錯誤