UnicodeDecodeError：“ charmap”編解碼器無法解碼位置591處的字節0x8f：字符映射到<undefined>

Question

我有一個將docx文件轉換為純文本的代碼：

import docx
import glob

def getText(filename):
    doc = docx.Document(filename)
    fullText = []
    for para in doc.paragraphs:
        fullText.append(para.text)
    return '\n'.join(fullText)

for file in glob.glob('*.docx'):
    outfile = open(file.replace('.docx', '-out.txt'), 'w', encoding='utf8')


for line in open(file):
    print(getText(filename), end='', file=outfile)
outfile.close()

但是，當我執行它時，出現以下錯誤：

Traceback (most recent call last):
  File "C:\Users\User\Desktop\add spaces docx\converting docx to pure text.py", line 16, in <module>
    for line in open(file):
  File "C:\Users\User\AppData\Local\Programs\Python\Python35-32\lib\encodings\cp1252.py", line 23, in decode
    return codecs.charmap_decode(input,self.errors,decoding_table)[0]
UnicodeDecodeError: 'charmap' codec can't decode byte 0x8f in position 591: character maps to <undefined>

我正在使用Python 3.5.2。

誰能幫助解決這個問題？

提前致謝。

Answer 1

盡管我不太了解docx模塊，但我認為可以找到解決方案。

根據文件格式 ， Unicode字符8f （charmap編解碼器無法解碼，導致UnicodeDecodeError ）是控制字符 。

您應該意識到，在讀取文件時 （docx模塊正在做的事情就是這種情況），您應該知道控制字符，因為有時Python無法對其進行解碼。

解決方案是放棄docx模塊，了解.docx文件的工作方式和格式，並在讀取docx文件時使用open(filename, "rb")以便Python能夠對其進行解碼。

但是，這可能不是問題。 如您所見，在目錄編碼中，它使用cp1512作為其編碼（默認），而不是utf-8。 嘗試將其更改為utf_8.py（對我來說，它顯示為utf_8.pyc）。

注意：很抱歉缺少鏈接。 這是因為我的信譽不高於10（因為我是Stack Overflow的新手）。