UnicodeDecodeError, недопустимый байт продолжения

Question

Почему нижеуказанный пункт не работает? и почему это удается с кодеком "latin-1"?

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")

Результат:

 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

Answer 1

В двоичном формате 0xE9 выглядит как 1110 1001. Если вы прочитаете о UTF-8 в Википедии , вы увидите, что за таким байтом должны следовать два вида 10xx xxxx. Так, например:

>>> b'\xe9\x80\x80'.decode('utf-8')
u'\u9000'

Но это всего лишь механическая причина исключения. В этом случае у вас есть строка, которая почти наверняка закодирована в латинском 1. Вы можете увидеть, как UTF-8 и латинский 1 выглядят по-разному:

>>> u'\xe9'.encode('utf-8')
b'\xc3\xa9'
>>> u'\xe9'.encode('latin-1')
b'\xe9'

(Обратите внимание, что я использую смесь представлений Python 2 и 3. Здесь ввод действителен в любой версии Python, но ваш интерпретатор Python вряд ли на самом деле будет отображать строки как в Юникоде, так и в байтах.)

Answer 2

У меня была такая же ошибка, когда я пытался открыть CSV-файл методом pandas read_csv.

Решением было изменить кодировку на 'latin-1':

pd.read_csv('ml-100k/u.item', sep='|', names=m_cols , encoding='latin-1')

Answer 3

Недействительно UTF-8. Этот символ является острым символом в ISO-Latin1, поэтому он успешно работает с этим набором кодов.

Если вы не знаете кодовый набор, в который вы получаете строки, у вас возникли проблемы. Было бы лучше, если бы для вашего протокола / приложения был выбран один кодовый набор (надеюсь, UTF-8), а затем вы просто отклонили бы те, которые не были декодированы.

Если вы не можете этого сделать, вам понадобится эвристика.

Answer 4

Поскольку UTF-8 является многобайтовым и нет символа, соответствующего вашей комбинации \xe9 плюс следующий пробел.

Почему он должен преуспеть в и utf-8 и в латинице1?

Вот как должно быть то же самое предложение в utf-8:

>>> o.decode('latin-1').encode("utf-8")
'a test of \xc3\xa9 char'

Answer 5

Если эта ошибка возникает при манипулировании с файлом, который был только что открыт, проверьте, открыли ли вы его в режиме 'rb'

Answer 6

В этом случае я попытался выполнить .py, который активирует путь / file.sql.

Мое решение состояло в том, чтобы изменить кодификацию файла.sql на «UTF-8 без BOM» иэто работает!

Вы можете сделать это с помощью Блокнота ++.

Я оставлю часть моего кода.

/ Код /

con = psycopg2.connect (host = sys.argv [1], port = sys.argv [2], dbname = sys.argv[3], user = sys.argv [4], пароль = sys.argv [5])

cursor = con.cursor () sqlfile = open (путь, 'r')

Answer 7

Это также случилось со мной, когда я читал текст, содержащий иврит, из файла .txt.

Я нажал: file -> save as и сохранил этот файл как UTF-8 кодировка