“ascii”编解码器无法解码位置28处的字节0xad:序号不在范围内（128）

Question

我正在实现一个应用程序，我有一个场景，那就是读取文件后，正常化它，但在读取文件时，我得到以下错误：下面是我的尝试

  def unicodeToAscii(self,s):
        return ''.join(c for c in unicodedata.normalize('NFD',s) if unicodedata.category(c)!='Mn')

def normalizeString(self,s):
        s=self.unicodeToAscii(s.lower().strip())
        s=re.sub(r"([.!?])",r" \1",s)
        s=re.sub(r"([^a-zA-Z.!?])",r" ",s)
        s=re.sub(r"(\s+)",r" ",s).strip()
        return s

dataFile=os.path.join('/home/amit/Downloads/cornell_movie_dialogs_corpus/cornell movie-dialogs corpus','formatted_movie_lines')
print('please wait .. reading a file') 

lines =open(dataFile).read().strip().split('\n')
vocal=Vocabulary()
pairs=[[vocal.normalizeString(unicode(s))for s in pair.split('\t')] for pair in lines]
print('done reading')

错误：

please wait .. reading a file
---------------------------------------------------------------------------
UnicodeDecodeError                        Traceback (most recent call last)
<ipython-input-2-4142a7dbef84> in <module>()
    118 lines =open(dataFile).read().strip().split('\n')
    119 vocal=Vocabulary()
--> 120 pairs=[[vocal.normalizeString(unicode(s))for s in pair.split('\t')] for pair in lines]
    121 print('done reading')
    122 

UnicodeDecodeError: 'ascii' codec can't decode byte 0xad in position 28: ordinal not in range(128)

Answer 1

您正在执行的Unicode规范化是而不是将所有内容转换为ASCII。它只应用Unicode规范化，确保variant encodings都以相同的方式表示。（此外，对于Mn类别，您正在避免这种情况，因此规范化也不完整。）

值得一提的是，U+00AD是一个软连字符，与绝大多数Unicode字符一样，它没有对应的纯ASCII字符，不过您可以用一个常规的破折号/减号/连字符-来近似它。内置的'replace'功能将用问号代替它，不过：

>>> '\00ad'.encode('ascii', 'replace')
b'?'