Question

我有大约1000个os.listdir()读取的文件名，其中一些是用UTF8编码的，有些是CP1252。

我想将所有这些解码为Unicode，以便在我的脚本中进一步处理。有没有办法让源编码正确解码为Unicode？

示例：

for item in os.listdir(rootPath):

    #Convert to Unicode
    if isinstance(item, str):
        item = item.decode('cp1252')  # or item = item.decode('utf-8')
    print item

Answer 1

如果您的文件位于cp1252和utf-8，则有一种简单的方法。

import logging
def force_decode(string, codecs=['utf8', 'cp1252']):
    for i in codecs:
        try:
            return string.decode(i)
        except UnicodeDecodeError:
            pass

    logging.warn("cannot decode url %s" % ([string]))

for item in os.listdir(rootPath):
    #Convert to Unicode
    if isinstance(item, str):
        item = force_decode(item)
    print item

否则，有一个charset detect lib。

Python - detect charset and convert to utf-8

https://pypi.python.org/pypi/chardet

Answer 2

使用chardet库。这非常容易

import chardet

the_encoding = chardet.detect('your string')['encoding']

那就是它！

Answer 3

您也可以使用 json 包来检测编码。

import json

json.detect_encoding(b"Hello")

如何检测字符串字节编码？

3 个答案: