[英]UnicodeDecodeError while loading file in python
我正在运行这个:
news_train = load_mlcomp('20news-18828', 'train')
vectorizer = TfidfVectorizer(encoding='latin1')
X_train = vectorizer.fit_transform((open(f, errors='ignore').read()
for f in news_train.filenames))
但出现UnicodeDecodeError:'utf-8'编解码器无法解码位置39:无效的继续字节的字节0xe4。 在open()函数中。
我检查了news_train.filenames。 它是:
array(['/Users/juby/Downloads/mlcomp/379/train/sci.med/12836-58920',
..., '/Users/juby/Downloads/mlcomp/379/train/sci.space/14129-61228'],
dtype='<U74')
路径看起来正确。 它可能与dtype或我的环境有关(我是Mac OSX 10.11),但是尝试了很多次后我无法修复它。 谢谢!!!
好吧,我找到了解决方案。 使用
open(f, encoding = "latin1")
我不确定为什么它只在我的Mac上发生。 希望知道。
实际上,在Python 3+中, open
功能会以默认模式'r'
打开并读取文件,该模式将解码文件内容(在大多数平台上,使用UTF-8)。 由于您的文件是使用latin1编码的,因此使用UTF-8对其进行解码可能会导致UnicodeDecodeError
。 解决方案是以二进制模式( 'rb'
)打开文件,或指定正确的编码( encoding="latin1"
)。
open(f, 'rb').read() # returns `byte` rather than `str`
# or,
open(f, encoding='latin1').read() # returns latin1 decoded `str`
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.