Question

我试图这样做，我发现了这个错误：

>>> import re  
>>> x = 'Ingl\xeas'  
>>> x  
'Ingl\xeas'  
>>> print x  
Ingl�s  
>>> x.decode('utf8')  
Traceback (most recent call last):  
    File "<stdin>", line 1, in <module>  
    File "/usr/lib/python2.6/encodings/utf_8.py", line 16, in decode  
        return codecs.utf_8_decode(input, errors, True)  
UnicodeDecodeError: 'utf8' codec can't decode bytes in position 4-5: unexpected end of data  
>>> x.decode('utf8', 'ignore')  
u'Ingl'  
>>> x.decode('utf8', 'replace')  
u'Ingl\ufffd'  
>>> print x.decode('utf8', 'replace')  
Ingl�  
>>> print x.decode('utf8', 'xmlcharrefreplace')  
Traceback (most recent call last):  
    File "<stdin>", line 1, in <module>  
    File "/usr/lib/python2.6/encodings/utf_8.py", line 16, in decode  
        return codecs.utf_8_decode(input, errors, True)  
TypeError: don't know how to handle UnicodeDecodeError in error callback

当我使用print语句时，我想要：

>>> print x  
u'Inglês'

欢迎任何帮助。

Answer 1

在解码之前，您需要知道输入数据的编码方式。在你们的一些尝试中，你试图从UTF-8解码它，但是Python抛出一个异常，因为输入是无效的UTF-8。看起来它可能是拉丁语-1。这对我有用：

>>> x = 'Ingl\xeas'
>>> print x.decode('latin1')
Inglês

你提到“非ASCII HTML”。如果您正在编写Web服务器脚本并且从HTTP请求获取数据，则应检查Content-Type标头。在理想的世界中，它会告诉您客户端使用哪种编码方式来处理数据。请记住，客户端可能无法正常工作。

希望有所帮助！

Answer 2

Ingl\xeas

不是UTF-8，而是（可能）Windows-1252-或latin1编码。所以你首先需要解码它。只有这样你才能将它编码为UTF-8。

因此：

>>> x = 'Ingl\xeas'
>>> print x.decode("cp1252")
Inglês

类似地，

 >>> x.decode("cp1252").encode("UTF-8")
 'Ingl\xc3\xaas'

这是正确的UTF-8表示。

顺便说一句，在Python 3中，你可以（至少在Windows下的交互式控制台中）输入

>>> x = 'Ingl\xeas'
>>> print (x)
Inglês

因为Python 3字符串总是Unicode字符串（不包括bytes个对象）。

Answer 3

一些观察结果：

（1）latin1将解码任何8位字节而不抛出异常。仅在您用尽所有其他可能性时才使用latin1。使用chardet帮助确定特定文件或网页或XML流的编码内容。

（2）基于非常有限的证据（一个字符）的可能替代方案：

>>> import unicodedata as ucd
>>> for codepage in range(1250, 1259):
...    try:
...        uc = "\xea".decode(str(codepage))
...    except UnicodeDecodeError:
...        pass
...    if uc == u'\xea': print codepage, ucd.name(uc)
...
1252 LATIN SMALL LETTER E WITH CIRCUMFLEX
1254 LATIN SMALL LETTER E WITH CIRCUMFLEX
1256 LATIN SMALL LETTER E WITH CIRCUMFLEX
1258 LATIN SMALL LETTER E WITH CIRCUMFLEX
>>>

（3）范围U + 0080到U + 009F（包括）被分配给“C1控制字符”，unicode.org之外没有人知道它们可能有什么用途。无论你使用什么编码（甚至是UTF-8），在无异常解码到unicode之后，你还没有走出困境。检查该范围内的字符。如果您发现任何数据，您的数据已损坏，或者您选择的编码不正确。

def check_for_c1_control_characters(unicode_obj):
    return any('\u0080' <= c <= '\u009F' for c in unicode_obj)

或使用正则表达式，如this example中所述，如何修复数据损坏的多种方式之一。

如何在Python中将HTML非ASCII数据编码为UTF-8

3 个答案: