UnicodeEncodeError: ‘gbk’ codec can’t encode character u’\u200e’ in position 43: illegal multibyte s
2015-11-05 10:34
597 查看
【问题】
python中已获取网页:
http://blog.csdn.net/hfahe/article/details/5494895
的html源码,其时UTF-8编码的。
提取出其标题部分:
?
中的标题文字:
然后用:
或
将其解码成Unicode,但是却会出错:
【解决过程】
1.Python的编码问题,GB18030,UTF-8,Unicode等问题,之前遇到过很多次了,也就解决了。此处很奇怪的是,
类似的其他的网页,比如:
http://blog.csdn.net/v_july_v/article/details/6543438
http://blog.csdn.net/v_july_v/article/details/5934051
等,对应提取出来的内容,都是可以正常解码为Unicode的。
因为本身其编码的确是Utf-8的。
2.去试了试用chardet.detect分析其真正编码的,得到的结果是:
也是和其他网页内容得到的结果是一样的。
3.此问题觉得很诡异的是,本身调用UTF-8去decode,但是解码出错却提示的是GBK的,而不是UTF-8相关解码出错。
4.找了些其他帖子:
Python
UnicodeEncodeError:illegal multibyte sequence
但是讨论的都是关于从Unicode编码为GBK或GB2312,然后出错的。
而我这里的错误是,本身内容是UTF-8的,然后想要还原为Unicode,结果却提示GBK解码错误的。。。
5.这里:探索UTF-8中文编码的BOM标记问题提到了,可能是由于UTF-8的BOM造成的不能正常解码,所以试着去将返回的html导出为html文件,然后用Notepad++查看,结果还是没看出是否有BOM,反正是文字内容,都可以查看到的。
然后也试了类似代码:
但是都还是不行。
后来在这里也看到了,关于UTF-8的BOM的问题的解释,但同样不是我要的。
6.在这里:Python
Unicode与中文处理(文摘),看到了:
s.decode(‘gbk’, ‘ignore’).encode(‘utf-8′)
然后才想起来,之前是看到过类似的解释,即添加ignore来忽略非法的字符,然后又参考:
python字符串decode中遇到非法字符的问题
然后去找了对应语法:
str.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 raiseUnicodeError.
Other possible values are 'ignore', 'replace' and
any other name registered via codecs.register_error(),
see section Codec
Base Classes.
New in version 2.2.
Changed in version 2.3: Support for other error handling schemes added.
Changed in version 2.7: Support for keyword arguments added.
试了:
和:
但是结果仍是:
会出现上述“’gbk’ codec can’t encode”的错误。
但是后来无意间发现,在打印titleUni之前,添加了一行调试代码:
却是可以正常打印的,这就说明,此处的titleUni变量,正常解码为Unicode的值了,即上述decode是正常的。
然后又重新试了试,之前的:
结果也是一样的,即print “len(titleUni)=”,len(titleUni);也是可以正常输出的。
然后此时才明白,原来出现’gbk’ codec can’t encode”的错误的根本原因是,对于前面的,不论是用
titleHtml.decode(“UTF-8”);
还是
titleHtml.decode(“UTF-8”, ‘ignore’);
还是
titleHtml.decode(“UTF-8”, ‘replace’);
都是可以得到正常的titleUni的Unicode字符的,然后对于此Unicode的字符,需要print出来的话,由于本地系统是Win7中的cmd,默认codepage是CP936,即GBK的编码,所以需要先将上述的Unicode的titleUni先编码为GBK,然后再在cmd中显示出来,然后由于titleUni中包含一些GBK中无法显示的字符,导致此时提示“’gbk’ codec can’t encode”的错误的。
【总结】
对于此(类)问题:
(1)出现UnicodeEncodeError –> 说明是Unicode编码时候的问题;
(2) ‘gbk’ codec can’t encode character –> 说明是将Unicode字符编码为GBK时候出现的问题;
此时,往往最大的可能就是,本身Unicode类型的字符中,包含了一些无法转换为GBK编码的一些字符。
解决办法是:
方案1:
在对unicode字符编码时,添加ignore参数,忽略无法无法编码的字符,这样就可以正常编码为GBK了。
对应代码为:
方案2:
或者,将其转换为GBK编码的超集GB18030 (即,GBK是GB18030的子集):
对应的得到的字符是GB18030的编码。
【题外话】
对于上述中,将原先的utf-8的字符转换为Unicode的时候,其实更加安全的做法,也可以将:
titleUni = titleHtml.decode(“UTF-8”);
替换为:
titleUni = titleHtml.decode(“UTF-8”, ‘ignore’);
这样可以实现,即使对于那些,相对来说是无关紧要的一些特殊字符,也可以成功编码,避免编码出错,提高程序的健壮性。
【后记 2012-12-01】
后来,专门花精力,总结了最常见的一些类型,感兴趣的可以去看看:
【总结】Python
2.x中常见字符编码和解码方面的错误及其解决办法
原文地址:http://www.crifan.com/unicodeencodeerror_gbk_codec_can_not_encode_character_in_position_illegal_multibyte_sequence/
python中已获取网页:
http://blog.csdn.net/hfahe/article/details/5494895
的html源码,其时UTF-8编码的。
提取出其标题部分:
?
在2008 Beijing Perl 大会的演讲-使用Mason开发高性能的Web站点 |
titleUni = unicode(titleHtml, “UTF-8”); |
titleUni = titleHtml.decode(“UTF-8”); |
UnicodeEncodeError: ‘gbk’ codec can’t encode character u’\u200e’ in position 43: illegal multibyte sequence |
【解决过程】
1.Python的编码问题,GB18030,UTF-8,Unicode等问题,之前遇到过很多次了,也就解决了。此处很奇怪的是,
类似的其他的网页,比如:
http://blog.csdn.net/v_july_v/article/details/6543438
http://blog.csdn.net/v_july_v/article/details/5934051
等,对应提取出来的内容,都是可以正常解码为Unicode的。
因为本身其编码的确是Utf-8的。
2.去试了试用chardet.detect分析其真正编码的,得到的结果是:
encInfo= {‘confidence’: 0.99, ‘encoding’: ‘utf-8’} |
3.此问题觉得很诡异的是,本身调用UTF-8去decode,但是解码出错却提示的是GBK的,而不是UTF-8相关解码出错。
4.找了些其他帖子:
Python
UnicodeEncodeError:illegal multibyte sequence
但是讨论的都是关于从Unicode编码为GBK或GB2312,然后出错的。
而我这里的错误是,本身内容是UTF-8的,然后想要还原为Unicode,结果却提示GBK解码错误的。。。
5.这里:探索UTF-8中文编码的BOM标记问题提到了,可能是由于UTF-8的BOM造成的不能正常解码,所以试着去将返回的html导出为html文件,然后用Notepad++查看,结果还是没看出是否有BOM,反正是文字内容,都可以查看到的。
然后也试了类似代码:
titleUni = titleHtml[1:].decode(“UTF-8”); titleUni = titleHtml[2:].decode(“UTF-8”); |
后来在这里也看到了,关于UTF-8的BOM的问题的解释,但同样不是我要的。
6.在这里:Python
Unicode与中文处理(文摘),看到了:
s.decode(‘gbk’, ‘ignore’).encode(‘utf-8′)
然后才想起来,之前是看到过类似的解释,即添加ignore来忽略非法的字符,然后又参考:
python字符串decode中遇到非法字符的问题
然后去找了对应语法:
str.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 raiseUnicodeError.
Other possible values are 'ignore', 'replace' and
any other name registered via codecs.register_error(),
see section Codec
Base Classes.
New in version 2.2.
Changed in version 2.3: Support for other error handling schemes added.
Changed in version 2.7: Support for keyword arguments added.
试了:
titleUni = titleHtml.decode(“UTF-8”, ‘ignore’); |
titleUni = titleHtml.decode(“UTF-8”, ‘replace’); |
print “titleUni=”,titleUni; |
但是后来无意间发现,在打印titleUni之前,添加了一行调试代码:
print “len(titleUni)=”,len(titleUni); |
然后又重新试了试,之前的:
titleUni = titleHtml.decode(“UTF-8”); |
然后此时才明白,原来出现’gbk’ codec can’t encode”的错误的根本原因是,对于前面的,不论是用
titleHtml.decode(“UTF-8”);
还是
titleHtml.decode(“UTF-8”, ‘ignore’);
还是
titleHtml.decode(“UTF-8”, ‘replace’);
都是可以得到正常的titleUni的Unicode字符的,然后对于此Unicode的字符,需要print出来的话,由于本地系统是Win7中的cmd,默认codepage是CP936,即GBK的编码,所以需要先将上述的Unicode的titleUni先编码为GBK,然后再在cmd中显示出来,然后由于titleUni中包含一些GBK中无法显示的字符,导致此时提示“’gbk’ codec can’t encode”的错误的。
【总结】
对于此(类)问题:
(1)出现UnicodeEncodeError –> 说明是Unicode编码时候的问题;
(2) ‘gbk’ codec can’t encode character –> 说明是将Unicode字符编码为GBK时候出现的问题;
此时,往往最大的可能就是,本身Unicode类型的字符中,包含了一些无法转换为GBK编码的一些字符。
解决办法是:
方案1:
在对unicode字符编码时,添加ignore参数,忽略无法无法编码的字符,这样就可以正常编码为GBK了。
对应代码为:
gbkTypeStr = unicodeTypeStr.encode(“GBK“, ‘ignore’); |
或者,将其转换为GBK编码的超集GB18030 (即,GBK是GB18030的子集):
gb18030TypeStr = unicodeTypeStr.encode(“GB18030“); |
【题外话】
对于上述中,将原先的utf-8的字符转换为Unicode的时候,其实更加安全的做法,也可以将:
titleUni = titleHtml.decode(“UTF-8”);
替换为:
titleUni = titleHtml.decode(“UTF-8”, ‘ignore’);
这样可以实现,即使对于那些,相对来说是无关紧要的一些特殊字符,也可以成功编码,避免编码出错,提高程序的健壮性。
【后记 2012-12-01】
后来,专门花精力,总结了最常见的一些类型,感兴趣的可以去看看:
【总结】Python
2.x中常见字符编码和解码方面的错误及其解决办法
原文地址:http://www.crifan.com/unicodeencodeerror_gbk_codec_can_not_encode_character_in_position_illegal_multibyte_sequence/
相关文章推荐
- Python动态类型的学习---引用的理解
- Python3写爬虫(四)多线程实现数据爬取
- 垃圾邮件过滤器 python简单实现
- 下载并遍历 names.txt 文件,输出长度最长的回文人名。
- install and upgrade scrapy
- Scrapy的架构介绍
- Centos6 编译安装Python
- 使用Python生成Excel格式的图片
- 让Python文件也可以当bat文件运行
- [Python]推算数独
- Python中zip()函数用法举例
- Python中map()函数浅析
- Python将excel导入到mysql中
- Python在CAM软件Genesis2000中的应用
- 使用Shiboken为C++和Qt库创建Python绑定
- FREEBASIC 编译可被python调用的dll函数示例
- Python 七步捉虫法