为什么下面的项目会失败?而为什么用"latin-1"编解码器会成功?
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
在二进制中,0xE9看起来像1110 1001
。如果你阅读维基百科上的UTF-8,你会发现这样的字节后面必须有两个形式为10xx xxxx
的字节。因此,举例来说。
>>> b'\xe9\x80\x80'.decode('utf-8')
u'\u9000'
但这只是造成异常的机械原因。在这种情况下,你有一个几乎肯定是用拉丁语1编码的字符串,你可以看到UTF-8和拉丁语1看起来是不同的。
>>> u'\xe9'.encode('utf-8')
b'\xc3\xa9'
>>> u'\xe9'.encode('latin-1')
b'\xe9'
(注意,我在这里使用的是Python 2和3的混合表示。这个输入在任何版本的Python中都是有效的,但是你的Python解释器不太可能真的以这种方式同时显示unicode和byte字符串)。
它是无效的UTF-8。 该字符是ISO-Latin1中的e-acute字符,这就是为什么用该编码集可以成功。
如果你不知道你所接收的字符串的代码集,你就会遇到一些麻烦。 最好是为你的协议/应用选择一个单一的编码集(希望是UTF-8),然后你就拒绝那些没有解码的编码。
如果你不能这样做,你就需要启发式方法。