首页 Python常见问答 python UnicodeError异常一篇文章彻底搞定
pay pay

python UnicodeError异常一篇文章彻底搞定

日期: 2021年11月20日 02:10
栏目: 常见问答
阅读: 49
作者: Python自学网

摘要: python UnicodeError异常是我在学习过程中一直存在的问题,总是被各种不同的编码类型和随时出现的编码、解码搞得一头雾水,特别是在爬虫开发的时候这样的问题基本上是每个http请求必须要解决的问题

python UnicodeError异常是我在学习过程中一直存在的问题,总是被各种不同的编码类型和随时出现的编码、解码搞得一头雾水,特别是在爬虫开发的时候这样的问题基本上是每个http请求必须要解决的问题,下面就来系统的学习一下吧。

一、基本编码类型

1.ASCII

我们知道,计算机内部,所有信息最终都是一个二进制值。每一个二进制位(bit)有0和1两种状态,因此八个二进制位就可以组合出256种状态,这被称为一个字节(byte)。也就是说,一个字节一共可以用来表示256种不同的状态,每一个状态对应一个符号,就是256个符号,从00000000到11111111。

ASCII 码一共规定了128个字符的编码,比如空格SPACE是32(二进制00100000),大写的字母A是65(二进制01000001)。这128个符号(包括32个不能打印出来的控制符号),只占用了一个字节的后面7位,最前面的一位统一规定为0。

但是,这里又出现了新的问题。不同的国家有不同的字母,因此,哪怕它们都使用256个符号的编码方式,代表的字母却不一样。比如,130在法语编码中代表了é,在希伯来语编码中却代表了字母Gimel (ג),在俄语编码中又会代表另一个符号。但是不管怎样,所有这些编码方式中,0--127表示的符号是一样的,不一样的只是128--255的这一段。

至于亚洲国家的文字,使用的符号就更多了,汉字就多达10万左右。一个字节只能表示256种符号,肯定是不够的,就必须使用多个字节表达一个符号。比如,简体中文常见的编码方式是 GB2312,使用两个字节表示一个汉字,所以理论上最多可以表示 256 x 256 = 65536 个符号

中文编码的问题需要专文讨论,这篇笔记不涉及。这里只指出,虽然都是用多个字节表示一个符号,但是GB类的汉字编码与后文的 Unicode 和 UTF-8 是毫无关系的。

2.UTF-8

互联网的普及,强烈要求出现一种统一的编码方式。UTF-8 就是在互联网上使用最广的一种 Unicode 的实现方式。其他实现方式还包括 UTF-16(字符用两个字节或四个字节表示)和 UTF-32(字符用四个字节表示),不过在互联网上基本不用。重复一遍,这里的关系是,UTF-8 是 Unicode 的实现方式之一。

UTF-8 最大的一个特点,就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号,根据不同的符号而变化字节长度。
UTF-8 的编码规则很简单,只有二条:

  1. 对于单字节的符号,字节的第一位设为0,后面7位为这个符号的 Unicode 码。因此对于英语字母,UTF-8 编码和 ASCII 码是相同的。
  2. 对于n字节的符号(n > 1),第一个字节的前n位都设为1,第n + 1位设为0,后面字节的前两位一律设为10。剩下的没有提及的二进制位,全部为这个符号的 Unicode 码。

二、错误示例

1 #coding:utf-8
2
3 class Clz:
4    def func(filePath):
5    """
6    func
7    -----
8    :param filePath :  like -> D:\xx\yy\zz.txt
9    """

错误提示:

File "E:/workspace/PyDemo20190618/../Clz.py", line 9
            """
SyntaxError: (unicode error) 'unicodeescape' codec can't decode bytes in position 669-670: truncated \xXX escape

原因分析:

文件自身编码与文件首行声明的编码不一致。

函数下方的注释区或者文件其它区域(""" ...""") 存在对含斜下划线,即 转义字符的描述,导致python编译器编译时出错。

部分文字内容为Python自学网原创作品,转载请注明出处!视频内容已申请版权,切勿转载!
# 相关文章
# 相关视频
回顶部