1

我正在尝试制作一个 python 脚本来查找 USB 闪存驱动器中的重复文件。

我正在关注的过程是创建一个文件名列表,对每个文件进行哈希处理,然后创建一个逆字典。但是在过程中的某个地方我得到了一个UnicodeDecodeError. 有人可以帮我理解发生了什么吗?

from os import listdir
from os.path import isfile, join
from collections import defaultdict
import hashlib

my_path = r"F:/"

files_in_dir = [ file for file in listdir(my_path) if isfile(join(my_path, file)) ]
file_hashes = dict()

for file in files_in_dir:
    file_hashes[file] = hashlib.md5(open(join(my_path, file), 'r').read()).digest()

inverse_dict = defaultdict(list)

for file, file_hash in file_hashes.iteritems():
    inverse_dict[file_hash].append(file)

inverse_dict.items()

我面临的错误是:

Traceback (most recent call last):
  File "C:\Users\Fotis\Desktop\check_dup.py", line 12, in <module>
    file_hashes[file] = hashlib.md5(open(join(my_path, file), 'r').read()).digest()
  File "C:\Python33\lib\encodings\cp1253.py", line 23, in decode
    return codecs.charmap_decode(input,self.errors,decoding_table)[0]
UnicodeDecodeError: 'charmap' codec can't decode byte 0xff in position 2227: character maps to <undefined>
4

1 回答 1

4

您正在尝试读取未以默认平台编码 ( cp1253) 编码的文件。通过以文本模式 ( r) 打开文件,Python 3 将尝试将文件内容解码为 un​​icode。您没有指定编码,因此使用平台首选编码。

改为以二进制模式打开文件,使用rbas 模式。由于您只计算 MD5 哈希(一个需要字节的函数),因此无论如何您都不应该使用文本模式。

于 2012-12-03T18:16:03.937 回答