0x00 問題引出：

最近在做一個買房自動化分析Python指令碼，需要爬取網頁。
在使用urllib獲取reqest的response的時候，還要進行解碼。
見語句：

result = res.decode('utf-8')

UnicodeDecodeError: 'utf-8' codec can't decode byte 0xe5 in position 103339: invalid continuation byte

0x01 問題分析

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("data.txt","rb")#二進位制格式讀檔案
while True:
    line = f.readline()
    if not line:
        break
    else:
        try:
            #print(line.decode('utf8'))
            line.decode('utf8')
            #為了暴露出錯誤，最好此處不print
        except:
            print(str(line))

手寫了一段程式碼，可以通過這段程式碼的輸出來判斷哪裡出現了問題。

• 1.如果輸出的程式碼都是hex形式的，可能就是你選擇的解碼字符集出現了錯誤。 對於python2.7版本的來說，網上有使用這樣一種看上去很霸氣，其實很low的方式，來處理：

#coding=utf8
import sys
reload(sys)
sys.setdefaultxxxx("utf8")

其實，這可以看作是python2系列版本的小bug,需要自行重新設定一下預設的編碼字符集，如果還要這麼設定的話，decode()的引數還拿來幹嘛。
所以，在python3版本中，就已經取消了這個方法。

• 2.如果是字符集出現錯誤，建議多選擇幾種字符集測試一下： 選擇的經驗是： 如果是爬取到的網頁檔案，可以檢視網頁檔案的meta標籤下的charset屬性值。

例如：

<meta charset="UTF-8">

也可以使用notepad++開啟，檢視下右下角的部位，會指示該檔案是那種編碼。

• 3.有的情況，是這樣的，整個檔案是好的，如果用notepad++開啟後，能夠看到檔案是可以開啟的，似乎什麼問題都沒有發生過，但是，用python進行解碼的時候，卻會出現錯誤。

我們執行上面的測試指令碼，可以看到出現這樣的情況：

    <li id="J_menuHistory" data-page="J_pageHistory">
                                    <a><i class="icon-history"></i>播放歷史     \0xe5 </a>

當然，這段程式碼是我隨手寫的一個例子，這裡，可以注意看到這個0xe5,這是無法轉換出來的部分，這是不屬於編碼字符集中的部分。所以，在進行編碼轉換的時候，會報錯。

0x03 解決方法

1. 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。
2. 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。例如:

line.decode("utf8","ignore")