我正在处理一个阅读过中文维基百科内容的文件,显然它已经被转换成了UTF-8 但不正确。你知道吗
import re,urllib
st=u'1492: Conquest ▒�¢â▒��¬â▒�▒¹of Paradise'
st1= urllib.unquote(st).encode('UTF-8')
st2= urllib.unquote(st)
print st
print st1
print st2
输出为
1492: Conquest ▒�¢â▒��¬â▒�▒¹of Paradise
1492: Conquest ▒�¢â▒��¬â▒�▒¹of Paradise
1492: Conquest ▒�¢â▒��¬â▒�▒¹of Paradise
编辑(找到额外信息)
我发现原始格式(不管是什么格式)经过了以下转换过程
line[1]=urllib.quote(line[1])
try:
st=urllib.unquote(line[1]).decode("utf-8")
except UnicodeDecodeError:
st=urllib.unquote(line[1]).decode("latin1")
我不知道原始编码(可能是GBK或GB18030),所以我不知道如何恢复正确的文本。这个可以恢复吗?你知道吗
给定你显示的解码传入字节的代码。。。你知道吗
很可能尝试从
utf-8
解码字节会失败,因为有太多的字节组合在utf-8中无效。因此,您的Unicode字符串可能来自解码latin1
。你知道吗也有许多字节不是有效的拉丁字符,但是在python2.7中的一个快速测试表明它仍然可以解码它们。这意味着输入字节被保留,但是
print
无法显示它们。你知道吗如果将正确的代码页放入
decode
部分,则以下内容应该能够还原它们并解码到正确的代码页:相关问题 更多 >
编程相关推荐