Question

我正在使用python3.3和一个sqlite3数据库。我有一个大约270mb的大文本文件，我可以用Windows7中的写字板打开。

该文件中的每一行如下所示：

term \ t number \ n

我想读取每一行并将值保存在数据库中。我的代码如下：

f = open('sorted.de.word.unigrams', "r")
for line in f:

    #code

我能够将所有数据读入我的数据库，但只是某一行，我建议可能有一半的所有行。然后我得到以下错误：

File "C:\projects\databtest.py", line 18, in <module>
for line in f:
File "c:\python33\lib\encodings\cp1252.py", line 23, in decode
return codecs.charmap_decode(input,self.errors,decoding_table)[0]
UnicodeDecodeError: 'charmap' codec can't decode byte 0x81 in position 140: character maps to   <undefined>

我尝试使用encoding = utf-8打开文件，但即使是其他编解码器也没有用。然后我尝试通过另存为utf-8 txt文件使用写字板进行复制。但是写字板崩溃了。

这里的问题在哪里，看起来python无法处理的那一行中有一些字符。我该怎么做才能完全读取我的文件？或者是否可以忽略此类错误消息并继续下一行？

您可以在此处下载打包文件：

http://wacky.sslmit.unibo.it/lib/exe/fetch.php?media=frequency_lists:sorted.de.word.unigrams.7z

非常感谢！

Answer 1

我检查了文件，问题的根源似乎是该文件包含至少两个编码的单词：可能是cp1252和cp850。字符0x81在cp850中为ü，但在cp1252中未定义。您可以通过捕获异常来处理这种情况，但是其他一些德语字符映射到cp1252中的有效但错误的字符。如果您对这种不完美的解决方案感到满意，请按以下步骤操作：

with open('sorted.de.word.unigrams','rb') as f: #open in binary mode
    for line in f:
        for cp in ('cp1252', 'cp850'):
            try:
                s = line.decode(cp)
            except UnicodeDecodeError:
                pass
            else:
                store_to_db(s)
                break

Answer 2

尝试

data = []
import codecs
with codecs.open('sorted.de.word.unigrams', 'r') as f:
    for line in f:
         data.append(line)

如果您想忽略错误，可以执行

try:
    # Your code that enter data to database
except UnicodeDecodeError:
    pass

Answer 3

这通常在encoding不匹配时发生。

0x81没有任何意义，请尝试指定编码

file = open(filename, encoding="utf8")

读取文本文件的行并获取charmap解码错误

3 个答案: