Python UnicodedecodeError编码

时间:2022-09-28 tomorrownan 人气:0

今天真的被编码问题一直困扰着，午休都没进行。也真的见识到了各种编码。例如：gbk，unicode、utf-8、ansi、gb2312等。
如果脚本程序中编码与文件编码不一致，就会报出UnicodedecodeError的错误。

1.情景一

读文件时常需要将内容转为utf8，文字可正常显示，但是如果原文件内容编码格式不是utf8就会报错UnicodedecodeError。如下：

问题：

try:
     fileObj = open(os.path.join(path,filename),'r')
       textLines = fileObj.readlines()
       fileObj.close()
   except IOError as err:
       print('打开文件%s失败:%s'%(filename,err))

解决方法：

代码改为：

try:
     fileObj = open(os.path.join(path,filename),'r'，encoding='utf-8')
       textLines = fileObj.readlines()
       fileObj.close()
   except IOError as err:
       print('打开文件%s失败:%s'%(filename,err))

此方法可以解决一部分编码问题，但是却不是一劳永逸的，在下一批文件因其他功能扩展需要读写时，上面程序又报出UnicodedecodeError:gbk codec cant decode…

2.情景二

针对上面的编码问题没有得到很好的解决，决定专门写一个批量将文件夹下面的文件编码格式改为utf-8的脚本，网上查资料得知python的第三方模块chardet，但是要安装这个扩展库。
chardet是一个非常好的编码识别模块，

1.chardet库的安装
在外网机上安装这个模块是特表简单的，直接执行pip chardet install命令即可，但是我的工作环境是内网，因为这个项目要处理的文件量多且大，所以也在Windows系统（编码问题比Linux多），因此安装chardet模块也花费了好大一会时间。

a.在外网下载好安装包chardet-3.0.4.tar.gz。
b.解压缩放在python安装路径\Python\Lib\site-packages下，命令切换到当前目录，执行python setup.py install。
c.安装完毕后import chardet仍然未成功

上面的安装步骤是没有问题的，我想应该是因为某个依赖没有安装吧，因此突然想到一个比较笨的方法：就是在外网机上执行pip chardet install先安装好，然后到安装目录下把关于chardet的安装目录chardet和chardet-3.0.4.dist-info拷贝到内网机\Python\Lib\site-packages下，再import chardet时竟然成功了。。。。

编写文件编码格式转换脚本

#!/usr/bin/python
# _*_ coding:utf-8 _*_
#更改文件编码，文件统一改为utf-8无BOM格式
import os
from chardet import detect

#文件夹目录
g_filedir = r'C:\Users\Desktop\nmg\SS'

def runcoding(path):
    for filename in os.listdir(path):
        if filename.endswith('.txt'):
            with open(os.path.join(path,filename),'rb+') as fileObj:
                fileContent = fileObj.read()
                #判断编码格式
                encodingtype = detect(fileContent)['encoding']
               
                print(encodingtype)
                #格式转换
                fileContent = fileContent.decode(encodingtype).encode('utf8')
                #写回文件
                fileObj.seek(0)
                fileObj.write(fileContent)

if __name__=="__main__":
    runcoding(g_filedir)

在处理字符串时，常常会遇到不知道字符串是何种编码，如果不知道字符串的编码就不能将字符串转换成需要的编码。上面的chardet模块就能很好的解决这个问题。

此时当前文件夹下的文件顺利的进行了读写，再次readlines时没有报UnicodedecodeError问题。可以检测到gbk、Unicode、utf8、utf16、utf8（big）等编码，也不用再一个编码一个编码的去转换，一个文件一个文件的转换。以为编码问题终于一次性解决了。

但是。。。到另一个省份的一批文件要进行批量操作时，进行到第49个文件就终止了，又报出UnicodedecodeError：‘utf8’ codec cant decode问题。。。。用上面脚本对该省份文件夹下文件进行格式转换时报出错误：TypeError:decode() argument 1 must be str ,not None。

3.情景三

针对情景2的问题，仍要继续排查编码的问题，根据运行的情景二的脚本时报出的错误在脚本中添加代码，打印出返回None的文件名。

修正代码

#!/usr/bin/python
# _*_ coding:utf-8 _*_
#更改文件编码，文件统一改为utf-8无BOM格式
import os
from chardet import detect

#文件夹目录
g_filedir = r'C:\Users\Desktop\nmg\SS'

def runcoding(path):
    for filename in os.listdir(path):
        if filename.endswith('.txt'):
            with open(os.path.join(path,filename),'rb+') as fileObj:
                fileContent = fileObj.read()
                #判断编码格式
                encodingtype = detect(fileContent)['encoding']
                #ansi编码检测结果为none
                if encodingtype==None:
                    print(filename)
                    continue
                #print(encodingtype)
                #格式转换
                fileContent = fileContent.decode(encodingtype).encode('utf8')
                #写回文件
                fileObj.seek(0)
                fileObj.write(fileContent)

if __name__=="__main__":
    runcoding(g_filedir)

然后定位到那个文件，记事本打开再另存为查看编码方式为ANSI，或者使用notpad++查看编码类型。

记事本默认是以ANSI编码保存文本文档的，而正是这种编码存在的bug招致了上述怪现象。假如保存时选择Unicode、Unicode (Big Endian)、UTF-8编码，就正常了。此外，假如以ANSI编码保存含有某些特别符号的文本文档，再次打开后符号也会变成英文问号。

这里可以得知，文件以ansi编码时decode（）函数返回的事None。

4. chardet模块detect()函数

chardet模块中的chardet.detect()函数可以检测编码。返回结果如下：

data = '我最美'.encode('gbk')
chardet.detect(data)
 
Out[103]: {'confidence': 0.73, 'encoding': 'ISO-8859-1', 'language': ''}

输出结果confidence为概率。

encoding为字符串的编码方式。

编码问题最困扰人，好在今天顺利解决了，各个省份的数据也都按照格式要求修改完毕，已经上报到各省份，晚上就花点时间整理以下喽。

加载全部内容