为什么下面的项目失败了?为什么它成功与“拉丁-1”编解码器?
o = "a test of \xe9 char" #I want this to remain a string as this is what I am receiving
v = o.decode("utf-8")
结果是:
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "C:\Python27\lib\encodings\utf_8.py",
line 16, in decode
return codecs.utf_8_decode(input, errors, True) UnicodeDecodeError:
'utf8' codec can't decode byte 0xe9 in position 10: invalid continuation byte
当前回答
无效UTF-8。该字符是ISO-Latin1中的e-锐角字符，这就是它成功使用该代码集的原因。
如果你不知道你接收字符串的代码集，你就有麻烦了。最好是为您的协议/应用程序选择一个代码集(最好是UTF-8)，然后您就拒绝那些没有解码的代码集。
如果你不能这样做，你就需要启发式。
其他回答
TLDR:我建议在切换编码器以消除错误之前深入调查问题的根源。
我得到这个错误，因为我正在处理大量的zip文件，其中有额外的zip文件。
我的工作流程如下:
读取zip 读取子zip 读取子zip中的文本
At some point I was hitting the encoding error above. Upon closer inspection, it turned out that some child zips erroneously contained further zips. Reading these zips as text lead to some funky character representation that I could silence with encoding="latin-1", but which in turn caused issues further down the line. Since I was working with international data it was not completely foolish to assume it was an encoding problem (I had problems with 0xc2: Â), but in the end it was not the actual issue.
因为UTF-8是多字节的，并且没有对应于\xe9加上后面空格的组合的字符。
为什么它在utf-8和latin-1中都能成功?
下面是同一句话在utf-8中的用法:
>>> o.decode('latin-1').encode("utf-8")
'a test of \xc3\xa9 char'
在二进制中，0xE9看起来像1110 1001。如果您在Wikipedia上阅读有关UTF-8的内容，就会看到这样的字节后面必须跟两个10xx xxxx形式的字节。举个例子:
>>> b'\xe9\x80\x80'.decode('utf-8')
u'\u9000'
但这只是异常的机械原因。在本例中，您的字符串几乎肯定是用latin 1编码的。你可以看到UTF-8和latin 1看起来有什么不同:
>>> u'\xe9'.encode('utf-8')
b'\xc3\xa9'
>>> u'\xe9'.encode('latin-1')
b'\xe9'
(注意，这里我混合使用了Python 2和Python 3的表示法。输入在任何版本的Python中都是有效的，但Python解释器不太可能以这种方式同时显示unicode和字节字符串。)
我遇到了这个问题，原来我直接从谷歌表文件中保存了我的CSV。换句话说，我在一个谷歌表文件中。我选择，保存一个副本，然后当我的浏览器下载它时，我选择了打开。然后直接保存了CSV。这是错误的一步。
对我来说，解决这个问题的方法是首先在我的本地电脑上将表格保存为.xlsx文件，然后将表格导出为.csv文件。然后，pd.read_csv('myfile.csv')的错误消失了
这也发生在我身上，当我从一个.txt文件中阅读包含希伯来语的文本时。
我点击:file -> save as，我将这个文件保存为UTF-8编码
