Python将文件读取为unicode字符串

Question

我在理解Python中处理unicode字符串的正确方法时遇到了一些麻烦。 我已经阅读了很多有关此问题的信息，但仍不清楚应该如何避免读写文件时出现问题。

我的目标是逐行有效地读取一些巨大的文件（最大7GB）。 我with open(filename) as f:进行了简单的with open(filename) as f:但是最后我得到了ASCII解码错误。

然后，我读到做这件事的正确方法是：

with codecs.open(filename, 'r', encoding='utf-8') as logfile:

但这最终导致：

UnicodeDecodeError: 'utf8' codec can't decode byte 0x88 in position 13: invalid start byte

坦白说，我不明白为什么会引发这种异常。

我找到了一个可行的解决方案：

with open(filename) as f:
    for line in logfile:
        line = unicode(line, errors='ignore')

但是这种方法最终变得非常慢。 因此，我的问题是：

有没有正确的方法，什么是最快的方法？ 谢谢

Answer 1

您的数据可能未采用 UTF-8编码。 找出正确的编码，然后改用它。 我们无法告诉您哪种编解码器正确，因为我们看不到您的数据。

如果必须指定错误处理程序，则在打开文件时也可以这样做。 使用io.open()函数 ； codecs是一个较旧的库，并且存在一些问题io （它是Python 3中所有I / O的基础，并已反向移植到Python 2），它更加健壮和通用。

io.open()函数也会errors ：

import io

with io.open(filename, 'r', encoding='utf-8', errors='replace') as logfile:

我选择了replace作为错误处理程序，因此您至少会为无法解码的内容提供占位符。