mysql - 如何捕获由于 mysql 数据中无效的连续字节而导致的 UnicodeDecodeError

Question

我正在将数千万行文本数据从 mysql 移动到搜索引擎，但无法成功处理检索到的字符串之一中的 Unicode 错误。我尝试对检索到的字符串进行显式编码和解码，以使 Python 抛出 Unicode 异常并了解问题所在。

在我的笔记本电脑上运行数千万行后抛出此异常(叹息......)，但我无法捕获它，跳过该行并继续我想要的。 mysql 数据库中的所有文本都应该是 utf-8。

UnicodeDecodeError: 'utf-8' codec can't decode byte 0xed in position 143: invalid continuation byte

这是我使用 Mysql Connector/Python 建立的连接

cnx = mysql.connector.connect(user='root', password='<redacted>',
                          host='127.0.0.1',
                          database='bloggz',
                          charset='utf-8') 

这是数据库字符设置:

mysql> SHOW VARIABLES WHERE Variable_name LIKE 'character\_set\_%' OR 
Variable_name LIKE 'collation%';

+--------------------------------------+-----------------+

|变量名 |值(value)|

+--------------------------------------+-----------------+

|字符集客户端 | utf8 |

|字符集连接 | utf8 |

|字符集数据库 | utf8 |

|字符集文件系统 |二进制 |

|字符集结果 | utf8 |

|字符集服务器 | utf8 |

|字符集系统 | utf8 |

|排序规则连接 | utf8_general_ci |

|排序规则数据库 | utf8_general_ci |

|排序规则服务器 | utf8_general_ci |

+-------------------------------------+-----------------+

下面我的异常处理有什么问题吗？请注意，变量“last_feeds_id”也没有打印出来，但这可能只是 except 子句不起作用的证明。

last_feeds_id = 0
for feedsid, ts, url, bid, title, html in cursor:

  try:
    # to catch UnicodeErrors and see where the prolem lies
    # from: https://mail.python.org/pipermail/python-list/2012-July/627441.html
    # also see https://stackoverflow.com/questions/28583565/str-object-has-no-attribute-decode-python-3-error

    # feeds.URL is varchar(255) in mysql
    enc_url = url.encode(encoding = 'UTF-8',errors = 'strict')
    dec_url = enc_url.decode(encoding = 'UTF-8',errors = 'strict')

    # texts.title is varchar(600) in mysql
    enc_title = title.encode(encoding = 'UTF-8',errors = 'strict')
    dec_title = enc_title.decode(encoding = 'UTF-8',errors = 'strict')

    # texts.html is text in mysql
    enc_html = html.encode(encoding = 'UTF-8',errors = 'strict')
    dec_html = enc_html.decode(encoding = 'UTF-8',errors = 'strict')

    data = {"timestamp":ts,
            "url":dec_url,
           "bid":bid,
           "title":dec_title,
           "html":dec_html}
    es.index(index="blogposts",
            doc_type="blogpost",
            body=data)
  except UnicodeDecodeError as e:
    print("Last feeds id: {}".format(last_feeds_id))
    print(e)

  except UnicodeEncodeError as e:
    print("Last feeds id: {}".format(last_feeds_id))
    print(e)

  except UnicodeError as e:
    print("Last feeds id: {}".format(last_feeds_id))
    print(e)

Answer 1

它提示十六进制ED。您是否期待acute-i: í？如果是这样，那么您拥有的文本不是编码的 UTF-8，而是 cp1250、dec8、latin1、latin2、latin5 之一。

你的Python源代码是否以以下开头

# -*- coding: utf-8 -*-

参见more Python-utf8 tips

另外，请查看“最佳实践”here

您有charset='utf-8'；我不确定，但也许应该是 charset='utf8'。 Reference UTF-8 是世人所说的字符集。 MySQL 将其 3 字节子集称为 utf8。请注意没有破折号。