Python 读取文本文件编码错误解决方案(未知文本文件编码情况下解决方案)

Posted 2021-03-15 北方卧龙

很多情况下我们是这样读取文本文件的: 

with open(r‘F:.Python Projectspidertest1 estpdd凉席.txt‘, ‘r‘) as f:
text = f.read()
但是如果该文本文件是gbk格式的,那么将会报以下错误:

Traceback (most recent call last):
File "F:/.Python Project/spidertest1/test/MyTest4.py", line 14, in <module>
text = f.read()
UnicodeDecodeError: ‘gbk‘ codec can‘t decode byte 0xa4 in position 1129: illegal multibyte sequence

查了下资料说是添加encoding=‘utf-8‘,这个参数:

with open(r‘F:.Python Projectspidertest1 estpdd凉席.txt‘, ‘r‘, encoding=‘utf-8‘) as f:
text = f.read()
但是这种方式治标不治本,原因就在于你根本不知道用户打开的是utf-8的文本文件还是gbk的或者是Unicode的

所以只能采取以下这种办法:

open(‘x:xxxx‘,‘rb‘):

第二个参数为:‘rb‘ 以二进制格式打开一个文件用于只读。这就避免了指定了encoding与文件实际编码不匹配而报错的问题
import chardet


def check_code(text):
adchar = chardet.detect(text)
# 由于windows系统的编码有可能是Windows-1254,打印出来后还是乱码,所以不直接用adchar[‘encoding‘]编码
#if adchar[‘encoding‘] is not None:
# true_text = text.decode(adchar[‘encoding‘], "ignore")
if adchar[‘encoding‘] == ‘gbk‘ or adchar[‘encoding‘] == ‘GBK‘ or adchar[‘encoding‘] == ‘GB2312‘:
true_text = text.decode(‘GB2312‘, "ignore")
else:
true_text = text.decode(‘utf-8‘, "ignore")
return true_text

def read_file_text(file_url):
# 第二个参数为:‘rb‘ 以二进制格式打开一个文件用于只读。这就避免了指定了encoding与文件实际编码不匹配而报错的问题
with open(file_url, ‘rb‘) as f:
file_text = f.read()
file_text = check_code(file_text)
return file_text