2

我使用 python3.3 和 sqlite3 数据库。我有一个大约 270mb 的大文本文件，我可以在 Windows7 中使用写字板打开它。

该文件中的每一行如下所示：

术语\t编号\n

我想读取每一行并将值保存在数据库中。我的代码如下所示：

f = open('sorted.de.word.unigrams', "r")
for line in f:

    #code

我能够将所有数据读入我的数据库，但只是到某一行，我建议可能是所有行的一半。然后我收到以下错误：

File "C:\projects\databtest.py", line 18, in <module>
for line in f:
File "c:\python33\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 0x81 in position 140: character maps to   <undefined>

我尝试使用 encoding = utf-8 打开文件，但即使是其他编解码器也没有任何效果。然后我尝试通过另存为 utf-8 txt 文件使用写字板制作副本。但是写字板崩溃了。

问题出在哪里，看起来该行中有一些python无法处理的字符。我该怎么做才能完全阅读我的文件？或者是否有可能忽略此类错误消息并继续下一行？

您可以在此处下载打包文件：

http://wacky.sslmit.unibo.it/lib/exe/fetch.php?media=frequency_lists:sorted.de.word.unigrams.7z

非常感谢！

4

3 回答 3

5

我检查了文件，问题的根源似乎是文件包含至少两种编码的单词：可能是 cp1252 和 cp850。字符 0x81ü在 cp850 中，但在 cp1252 中未定义。您可以通过捕获异常来处理这种情况，但其他一些德语字符映射到 cp1252 中有效但错误的字符。如果您对这样一个不完美的解决方案感到满意，您可以这样做：

with open('sorted.de.word.unigrams','rb') as f: #open in binary mode
    for line in f:
        for cp in ('cp1252', 'cp850'):
            try:
                s = line.decode(cp)
            except UnicodeDecodeError:
                pass
            else:
                store_to_db(s)
                break
于 2013-09-06T09:13:03.403 回答
2

这通常发生在encoding不匹配时。

0x81不代表什么，尝试指定编码

file = open(filename, encoding="utf8")
于 2016-07-01T10:07:14.787 回答
1

尝试

data = []
import codecs
with codecs.open('sorted.de.word.unigrams', 'r') as f:
    for line in f:
         data.append(line)

如果你想忽略错误，你可以这样做

try:
    # Your code that enter data to database
except UnicodeDecodeError:
    pass
于 2013-09-06T01:55:49.137 回答