Python 将文件读入 unicode 字符串

Question

我在理解在 Python 中处理 unicode 字符串的正确方法时遇到了一些麻烦。我已经阅读了很多关于它的问题，但仍然不清楚在读写文件时应该怎么做才能避免出现问题。

我的目标是高效地逐行读取一些巨大的(最多 7GB)文件。我是用简单的 with open(filename) as f: 做的，但我最终在 ASCII 解码中遇到错误。

然后我读到正确的做法是写:

with codecs.open(filename, 'r', encoding='utf-8') as logfile:

然而这最终是:

UnicodeDecodeError: 'utf8' codec can't decode byte 0x88 in position 13: invalid start byte

坦率地说，我不明白为什么会引发此异常。

我找到了一个可行的解决方案:

with open(filename) as f:
    for line in logfile:
        line = unicode(line, errors='ignore')

但这种方法最终变得极其缓慢。 因此我的问题是:

有没有正确的方法，最快的方法是什么？ 谢谢

Answer 1

您的数据可能不是 UTF-8 编码。找出正确的编码并改用它。我们无法告诉您哪种编解码器是正确的，因为我们看不到您的数据。

如果必须指定错误处理程序，最好在打开文件时指定。使用 io.open() function ; codecs 是一个较旧的库并且存在一些问题，io(它支持 Python 3 中的所有 I/O 并向后移植到 Python 2)更加健壮和通用。

io.open() 函数也有一个errors:

import io

with io.open(filename, 'r', encoding='utf-8', errors='replace') as logfile:

我选择 replace 作为错误处理程序，这样您至少可以为任何无法解码的内容提供占位符。