Python3解决UnicodeDecodeError: 'utf-8' codec can't decode byte..问题 终极解决方案

0x00 问题引出:


最近在做一个买房自动化分析Python脚本,需要爬取网页。
在使用urllib获取reqest的response的时候,还要进行解码。
见语句:

result = res.decode('utf-8')
当执行该语句的时候,会造成异常:
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xe5 in position 103339: invalid continuation byte

0x01 问题分析

该情况是由于出现了无法进行转换的 二进制数据 造成的,可以写一个小的脚本来判断下,是整体的字符集参数选择上出现了问题,还是出现了部分的无法转换的二进制块:

#python3
#以读入文件为例:
f = open("data.txt","rb")#二进制格式读文件
while True:
    line = f.readline()
    if not line:
        break
    else:
        try:
            #print(line.decode('utf8'))
            line.decode('utf8')
            #为了暴露出错误,最好此处不print
        except:
            print(str(line))

手写了一段代码,可以通过这段代码的输出来判断哪里出现了问题。

  • 1.如果输出的代码都是hex形式的,可能就是你选择的解码字符集出现了错误。 对于python2.7版本的来说,网上有使用这样一种看上去很霸气,其实很low的方式,来处理:
#coding=utf8
import sys
reload(sys)
sys.setdefaultxxxx("utf8")

其实,这可以看作是python2系列版本的小bug,需要自行重新设置一下默认的编码字符集,如果还要这么设置的话,decode()的参数还拿来干嘛。
所以,在python3版本中,就已经取消了这个方法。

  • 2.如果是字符集出现错误,建议多选择几种字符集测试一下: 选择的经验是: 如果是爬取到的网页文件,可以查看网页文件的meta标签下的charset属性值。

例如:

<meta charset="UTF-8">

也可以使用notepad++打开,查看下右下角的部位,会指示该文件是那种编码。

  • 3.有的情况,是这样的,整个文件是好的,如果用notepad++打开后,能够看到文件是可以打开的,似乎什么问题都没有发生过,但是,用python进行解码的时候,却会出现错误。

我们运行上面的测试脚本,可以看到出现这样的情况:

    <li id="J_menuHistory" data-page="J_pageHistory">
                                    <a><i class="icon-history"></i>播放历史     \0xe5 </a>

当然,这段代码是我随手写的一个例子,这里,可以注意看到这个0xe5,这是无法转换出来的部分,这是不属于编码字符集中的部分。所以,在进行编码转换的时候,会报错。

0x03 解决方法

  1. 修改字符集参数,一般这种情况出现得较多是在国标码(GBK)和utf8之间选择出现了问题。
  2. 出现异常报错是由于设置了decode()方法的第二个参数errors为严格(strict)形式造成的,因为默认就是这个参数,将其更改为ignore等即可。例如:
line.decode("utf8","ignore")
已标记关键词 清除标记
©️2020 CSDN 皮肤主题: 编程工作室 设计师:CSDN官方博客 返回首页