python 讀取資料出現UnicodeDecodeError:: 'utf-8' codec can't decode byte 0xc8 in position 0: invalid contin
之前寫程式時也出現過類似錯誤,每次解決了到第二次遇見又忘了具體方法,這次記錄一下。
一、字元編碼問題
先介紹一下字元編碼問題
1.ASCLL與GB2312
由於計算機是美國人發明的,因此,最早只有127個字元被編碼到計算機裡,也就是大小寫英文字母、數字和一些符號,這個編碼表被稱為ASCII
編碼,比如大寫字母A
的編碼是65
,小寫字母z
的編碼是122
。
但是要處理中文顯然一個位元組是不夠的,至少需要兩個位元組,而且還不能和ASCII編碼衝突,所以,中國製定了GB2312
編碼,用來把中文編進去。
國標碼是漢字的國家標準編碼,目前主要有GB2312、GBK、GB18030三種。
- GB2312編碼方案於1980年釋出,收錄漢字6763個,採用雙位元組編碼。
- GBK編碼方案於1995年釋出,收錄漢字21003個,採用雙位元組編碼。
- GB18030編碼方案於2000年釋出第一版,收錄漢字27533個;2005年釋出第二版,收錄漢字70000餘個,以及多種少數民族文字。GB18030採用單位元組、雙位元組、四位元組分段編碼。
新版向下相容舊版,也就是說GBK是在GB2312已有碼位基礎上增加新碼位,GB18030是在GBK已有碼位基礎上增加新碼位,各種編碼方案中共有的字元編碼相同。現在的中文資訊處理應優先採用GB18030編碼方案。
2.Unicode
全世界有上百種語言,日本把日文編到Shift_JIS
裡,韓國把韓文編到Euc-kr
裡,各國有各國的標準,就會不可避免地出現衝突,結果就是,在多語言混合的文字中,顯示出來會有亂碼。因此,Unicode應運而生。Unicode把所有語言都統一到一套編碼裡,這樣就不會再有亂碼問題了。Unicode標準也在不斷髮展,但最常用的是用兩個位元組表示一個字元(如果要用到非常偏僻的字元,就需要4個位元組)。
ASCLL與Unicode的關係
現在,捋一捋ASCII編碼和Unicode編碼的區別:ASCII編碼是1個位元組,而Unicode編碼通常是2個位元組。
字母A
用ASCII編碼是十進位制的65
,二進位制的01000001
;
字元0
用ASCII編碼是十進位制的48
,二進位制的00110000
,注意字元'0'
和整數0
是不同的;
漢字'中'已經超出了ASCII編碼的範圍,用Unicode編碼是十進位制的20013
,二進位制的01001110 00101101
。
你可以猜測,如果把ASCII編碼的A
用Unicode編碼,只需要在前面補0就可以,因此,A
的Unicode編碼是00000000 01000001
。
3.UTF-8
UTF-8編碼把一個Unicode字元根據不同的數字大小編碼成1-6個位元組,常用的英文字母被編碼成1個位元組,漢字通常是3個位元組,只有很生僻的字元才會被編碼成4-6個位元組。如果你要傳輸的文字包含大量英文字元,用UTF-8編碼就能節省空間。
ASCLL與utf-8編碼的關係
字元 | ASCII | Unicode | UTF-8 |
---|---|---|---|
A | 01000001 | 00000000 01000001 | 01000001 |
中 | x | 01001110 00101101 | 11100100 10111000 10101101 |
從上面的表格可以發現,UTF-8編碼有一個額外的好處,就是ASCII編碼實際上可以被看成是UTF-8編碼的一部分,所以,大量只支援ASCII編碼的歷史遺留軟體可以在UTF-8編碼下繼續工作。
計算機系統通用的字元編碼工作方式
搞清楚了ASCII、Unicode和UTF-8的關係,我們就可以總結一下現在計算機系統通用的字元編碼工作方式:
在計算機記憶體中,統一使用Unicode編碼,當需要儲存到硬碟或者需要傳輸的時候,就轉換為UTF-8編碼。
用記事本編輯的時候,從檔案讀取的UTF-8字元被轉換為Unicode字元到記憶體裡,編輯完成後,儲存的時候再把Unicode轉換為UTF-8儲存到檔案。
str與bytes,encode() 與 decode()
Python的字串型別是str
,在記憶體中以Unicode表示,一個字元對應若干個位元組。如果要在網路上傳輸,或者儲存到磁碟上,就需要把str
變為以位元組為單位的bytes
。Python對bytes
型別的資料用帶b
字首的單引號或雙引號表示:
x = b'ABC'
要注意區分'ABC'
和b'ABC'
,前者是str
,後者雖然內容顯示得和前者一樣,但bytes
的每個字元都只佔用一個位元組。bytes型別中把單個位元組能顯示的字元顯示,不能顯示的用\x##。
以Unicode表示的str
通過encode()
方法可以編碼為指定的bytes
,例如:
>>> 'ABC'.encode('ascii')
b'ABC'
>>> '中文'.encode('utf-8')
b'\xe4\xb8\xad\xe6\x96\x87'
>>> '中文'.encode('ascii')
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)
純英文的str
可以用ASCII
編碼為bytes
,內容是一樣的,含有中文的str
可以用UTF-8
編碼為bytes
。含有中文的str
無法用ASCII
編碼,因為中文編碼的範圍超過了ASCII
編碼的範圍,Python會報錯。
在bytes
中,無法顯示為ASCII字元的位元組,用\x##
顯示。(b'ABC'可以顯示為ASCLL字元的位元組,b'\xe4\xb8\xad\xe6\x96\x87'無法顯示為ASCLL字元的位元組)
反過來,如果我們從網路或磁碟上讀取了位元組流,那麼讀到的資料就是bytes
。要把bytes
變為str
,就需要用decode()
方法:
>>> b'ABC'.decode('ascii')
'ABC'
>>> b'\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8')
'中文'
如果bytes
中包含無法解碼的位元組,decode()
方法會報錯,如果bytes
中只有一小部分無效的位元組,可以傳入errors='ignore'
忽略錯誤的位元組:
>>> b'\xe4\xb8\xad\xff'.decode('utf-8')
Traceback (most recent call last):
...
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xff in position 3: invalid start byte
>>> b'\xe4\xb8\xad\xff'.decode('utf-8', errors='ignore')
'中'
可見,1箇中文字元經過UTF-8編碼後通常會佔用3個位元組,而1個英文字元只佔用1個位元組。
在操作字串時,我們經常遇到str
和bytes
的互相轉換。為了避免亂碼問題,應當始終堅持使用UTF-8編碼對str
和bytes
進行轉換。
二、問題解決
現在看遇到的問題
df = pd.read_csv('catering_sale.csv')
然後出現了
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xc8 in position 0: invalid continuation byte
pd.read_csv():
encoding : str, default None
Encoding to use for UTF when reading/writing (e.g. 'utf-8'
). List of Python standard encodings
預設的encoding 是utf-8,所以問題是出現了utf-8不能解碼的位元組。
該情況是由於出現了無法進行轉換的 二進位制資料造成的,可以寫一個小的指令碼來判斷下,是整體的字符集引數選擇上出現了問題,還是出現了部分的無法轉換的二進位制塊:
#python3
#以讀入檔案為例:
f = open("catering_sale.csv","rb")#二進位制格式讀檔案
i = 0
while True:
i += 1
print(i)
line = f.readline()
if not line:
break
else:
try:
# print(line)
# print(line.decode('utf8'))
line.decode('utf8')
#為了暴露出錯誤,最好此處不print
except:
print(str(line))
輸出
1
b'\xc8\xd5\xc6\xda,\xcf\xfa\xc1\xbf\r\n'
2
3
4
5
6
從輸出中可以看出是第一行中的位元組編碼無法解碼。這是可以看自己的第一行資料。我的情況是中文。
找到了問題,嘗試了一下修改方法:
使用國標碼編碼
df = pd.read_csv('catering_sale.csv', encoding = 'gb2312')
讀取時也可以用二進位制模式開啟的檔案(包括模式引數中的'b'
)將內容作為位元組
物件,而不進行任何解碼。
然後使用line.decode(‘gbk’)解碼,其中的errors引數:
- 修改字符集引數,一般這種情況出現得較多是在國標碼(GBK)和utf8之間選擇出現了問題。
- 出現異常報錯是由於設定了decode()方法的第二個引數errors為嚴格(strict)形式造成的,因為預設就是這個引數,將其更改為ignore等即可。