在python中读取文本奇怪的错误

Posted 2021-05-06

我打开的文件看起来像这样：http://pastebin.com/ucH5ayHa

并尝试使用简单的python阅读它：

f1 = open("goldstandard-answer-utf-8.txt", "r")

print f1.readline();

for line in f1:
    print line

f1.close()

打印行都不打印整个文档。 readline和for循环分别打印：

</file>

这很奇怪。显然它与文档中的标签有关，但我尝试用lmxl etree或美丽的汤解析它都会产生类似的结果。有没有办法强制python打印行和忽略标记，如果这是有道理的？

编辑:(建议通过评论包括）预期输出与pastebin条目完全相同：2028.htm.txtMäkitalo，ÖstenMäkitalo，ÖstenMäkitalo，JessicaLindbäck，ÖstenMäkitalo，ÖstenMäkitalo，RobertBrännström等...

答案

如果文件真的是用utf-8编码的，顾名思义，请尝试打开它：

import codecs

f = codecs.open('goldstandard-answer-utf-8.txt', 'r', encoding='utf-8')