Question

我的文字包含“\ xaf”，“\ xbe”等字符，正如我从this question所理解的那样，是ASCII编码字符。

我想用Python将它们转换为UTF-8等价物。通常的string.encode("utf-8")投掷UnicodeDecodeError。有没有更好的方法，例如codecs标准库？

Answer 1

.encode用于将2.x中的Unicode字符串（unicode，3.x中的str）转换为2.x中的字节字符串（str， 3.x中的bytes。

在2.x中，在.encode对象上调用str是合法的。 Python首先将字符串隐式解码为Unicode：s.encode(e)就像编写s.decode(sys.getdefaultencoding()).encode(e)一样。

问题是默认编码是“ascii”，并且您的字符串包含非ASCII字符。您可以通过明确指定正确的编码来解决此问题。

>>> '\xAF \xBE'.decode('ISO-8859-1').encode('UTF-8')
'\xc2\xaf \xc2\xbe'

Answer 2

它不是ASCII（ASCII码最多只能达到127; \xaf是175）。首先需要找出正确的编码，解码，然后在UTF-8中重新编码。

你能提供一个实际的字符串样本吗？然后我们可以猜测当前的编码。

Answer 3

您的文件已经是UTF-8编码文件。

# saved encoding-sample to /tmp/encoding-sample
import codecs
fp= codecs.open("/tmp/encoding-sample", "r", "utf8")
data= fp.read()

import unicodedata as ud

chars= sorted(set(data))
for char in chars:
    try:
        charname= ud.name(char)
    except ValueError:
        charname= "<unknown>"
    sys.stdout.write("char U%04x %s\n" % (ord(char), charname))

手动填写未知名称：
char U000a LINE FEED
char U001e信息分离器TWO char U001f INFORMATION SEPARATOR ONE

如何在Python中将\ xXY编码的字符转换为UTF-8？

3 个答案: