UnicodeDecodeError：'utf8'编解码器无法解码字节0x9c

我有一个套接字服务器，应该从客户端接收UTF-8有效字符。

问题是某些客户端（主要是黑客）正在通过它发送所有错误的数据。

我可以轻松地区分真正的客户端，但是我会将所有发送的数据记录到文件中，以便以后进行分析。

有时我会得到这样的œ导致UnicodeDecodeError错误的字符。

我需要使字符串UTF-8带有或不带有这些字符。

更新：

对于我的特殊情况，套接字服务是MTA，因此我只希望接收ASCII命令，例如：

EHLO example.com
MAIL FROM: <john.doe@example.com>
...

我将所有这些都记录在JSON中。

然后，一些没有好主意的人决定出售各种垃圾。

这就是为什么对于我的特定情况，完全可以剥离非ASCII字符。

http://docs.python.org/howto/unicode.html#the-unicode-type

str = unicode(str, errors='replace')

要么

str = unicode(str, errors='ignore')

注意： 这将删除（忽略）有问题的字符，并返回不包含这些字符的字符串。

对我而言，这是理想的情况，因为我将其用作针对非ASCII输入的保护，这是我的应用程序所不允许的。

或者：使用codecs模块中的open方法读取文件：

import codecs
with codecs.open(file_name, 'r', encoding='utf-8',
                 errors='ignore') as fdata:

将引擎从C更改为Python确实帮了我大忙。

引擎是C：

pd.read_csv(gdp_path, sep='\t', engine='c')

'utf-8'编解码器无法解码位置18的字节0x92：无效的起始字节

引擎是Python：

pd.read_csv(gdp_path, sep='\t', engine='python')

对我来说没有错误。

现在，我开始使用Python 3时，这种类型的问题就冒出来了。我不知道Python 2只是在蒸腾文件编码方面的任何问题。

在上述方法都不适合我之后，我找到了关于差异以及如何找到解决方案的很好的解释。

http://python-notes.curiousefficiency.org/en/latest/python3/text_file_processing.html

简而言之，要使Python 3的行为与Python 2尽可能相似，请使用：

with open(filename, encoding="latin-1") as datafile:
    # work on datafile here

但是，请阅读文章，没有一种适合所有解决方案的尺寸。

>>> '\x9c'.decode('cp1252')
u'\u0153'
>>> print '\x9c'.decode('cp1252')
œ

我有同样的问题，UnicodeDecodeError我用这条线解决了。不知道这是否是最好的方法，但是对我有用。

str = str.decode('unicode_escape').encode('utf-8')

首先，使用get_encoding_type来获取编码的文件类型：

import os    
from chardet import detect

# get file encoding type
def get_encoding_type(file):
    with open(file, 'rb') as f:
        rawdata = f.read()
    return detect(rawdata)['encoding']

第二，打开以下类型的文件：

open(current_file, 'r', encoding = get_encoding_type, errors='ignore')

万一有人有同样的问题。我将Vim与YouCompleteMe一起使用，无法通过此错误消息启动ycmd，我所做的是：export LC_CTYPE="en_US.UTF-8"，问题消失了。

如果需要对文件进行更改但不知道文件的编码，该怎么办？如果您知道编码是ASCII兼容的，并且只想检查或修改ASCII部分，则可以使用surrogateescape错误处理程序打开文件：

with open(fname, 'r', encoding="ascii", errors="surrogateescape") as f:
    data = f.read()

我已经解决了这个问题，只需添加

df = pd.read_csv(fileName,encoding='latin1')