Question

我正在阅读文件如下：

def main(src):
    with open(src, encoding='UTF-8') as incoming:
        for line in incoming:
            data = line
            print(data)
        del line

代码在此行遭到攻击（我不知道它是否会在浏览器中显示）：

    <DT><A HREF="https://www.youtube.com/watch?v=-ygKS7WU4YU" ADD_DATE="1421587655">?*** EarAbuse ♛ &#39;Pppppp&#39; (Official &amp; Uncensored) - YouTube</A>

请注意 B 缺少 C hess Q ueen（即\ u265b）就在单词EarAbuse之后似乎正在造成报告中的问题 -

Traceback (most recent call last):
  File "a.py", line 18, in <module>
    moduleName.main(fileName)
  File "C:\Users\Systems\Desktop\merc\bm\chrome.py", line 53, in main
    print(data)
  File "C:\Python34\lib\encodings\cp1252.py", line 19, in encode
    return codecs.charmap_encode(input,self.errors,encoding_table)[0]
UnicodeEncodeError: 'charmap' codec can't encode character '\u265b' in position
87: character maps to <undefined>

我有 -

阅读docs.python.org/3/howto/unicode.html
使用data = repr(line)
在打开文件时使用errors="surrogateescape"

没有爱。 charbase还说，BCQ的python转义是u'\u265b'，它是什么意思＆amp;我没有实现它吗？

修改：奇怪的是，在IDLE中输入print('\u265b')或print(♛)可以正常工作，没有任何错误＆amp;显示漂亮的 BCQ - 所以有什么不对，为什么我的代码不会超出这条线？

Answer 1

错误（几乎）是自我解释的。它说Python试图对Windows 1252字符集中的字符串进行编码，这不能代表'\u265b'。它在空闲时工作正常，因为空闲是GUI应用程序仅受字体可以表示的字形的限制，而控制台应用程序只显示控制台代码页的256个字符。

您应该使用errors='replace'明确地将字符串转换为正确代码页中的字节数组：

for line in incoming:
    data = line
    print(data.encode('cp1252', errors='replace'))

当然它会显示?而不是♛，因为控制台驱动程序无法显示该UTF字符，但您不会收到任何错误。

如果您不喜欢b'...'表示您正在打印8位字符，请再次转换回字符串：

    print(data.encode('cp1252', errors='replace').decode('cp1252'))

正向反向编码只是确保所有字符现在都可以在控制台上打印（或被替换）。

Answer 2

当您尝试打印BCQ字符时，会出现问题。我猜你的控制台编码/语言环境不能发出所有Unicode代码点 - 即它是ASCII或256个字符的代码页。

不要打印，请尝试：

import sys

sys.stdout.buffer.write(data.encode('utf8'))

尽管读为UTF-8，但无法打印Unicode字符

2 个答案: