比如，若要將某個(gè)String對象s從gbk內(nèi)碼轉(zhuǎn)換為UTF-8，可以如下操作
s.decode('gbk').encode('utf-8′)
可是，在實(shí)際開發(fā)中，我發(fā)現(xiàn)，這種辦法經(jīng)常會出現(xiàn)異常：
UnicodeDecodeError: ‘gbk' codec can't decode bytes in position 30664-30665: illegal multibyte sequence
這 是因?yàn)橛龅搅朔欠ㄗ址绕涫窃谀承┯肅/C++編寫的程序中，全角空格往往有多種不同的實(shí)現(xiàn)方式，比如\xa3\xa0，或者\(yùn)xa4\x57，這些 字符，看起來都是全角空格，但它們并不是“合法”的全角空格（真正的全角空格是\xa1\xa1），因此在轉(zhuǎn)碼的過程中出現(xiàn)了異常。
這樣的問題很讓人頭疼，因?yàn)橹灰址谐霈F(xiàn)了一個(gè)非法字符，整個(gè)字符串——有時(shí)候，就是整篇文章——就都無法轉(zhuǎn)碼。

解決辦法：
s.decode('gbk', ‘ignore').encode('utf-8′)
因?yàn)閐ecode的函數(shù)原型是decode([encoding], [errors='strict'])，可以用第二個(gè)參數(shù)控制錯(cuò)誤處理的策略，默認(rèn)的參數(shù)就是strict，代表遇到非法字符時(shí)拋出異常；
如果設(shè)置為ignore，則會忽略非法字符；
如果設(shè)置為replace，則會用?取代非法字符；
如果設(shè)置為xmlcharrefreplace，則使用XML的字符引用。

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.

最新評論