UnicodeEncodeError: 'gbk' codec can't encode character '\udcc3' in position 3: illegal multibyte seq

最新推荐文章于 2023-10-14 14:19:18 发布

prolrj2015

最新推荐文章于 2023-10-14 14:19:18 发布

阅读量1.6k

点赞数

分类专栏： Python知识

Python知识专栏收录该内容

10 篇文章

订阅专栏

本文详细解析了在Python中遇到的UnicodeEncodeError错误，尤其是在处理非UTF-8编码的文件名时。通过使用'surrogateescape'错误处理策略，文章提供了代码示例，展示了如何在不丢失数据的情况下正确处理和显示包含特殊字符的文件名。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

python3: UnicodeEncodeError：’utf-8’/'gbk’编解码器无法编码：不允许代理

问题描述：

（1）例如下代码

for root, dirs, files in os.walk('.'):
print(root)

会出现错误：

UnicodeEncodeError: 'utf-8' codec can't encode character '\udcc3' in position 27: surrogates not allowed

如何在没有像这样的有毒字符串的情况下浏览文件树？

（2）例如下代码

print（'Best hypothesis segments: ',[seg.word for seg in decoder.seg()])）

会出现以下结果（pycharm project encoding—utf-8）：

Best hypothesis segments:  ['<s>', '\udce4\udcaf\udcc0\udcc0\udcc6\udcf7', '\udcb9ر\udcd5', '</s>']

出现以下错误（pycharm----gbk）:

 UnicodeEncodeError: 'gbk' codec can't encode character '\u0631' in position 55: illegal multibyte sequence

在Linux上,文件名只是“一堆字节”,并不一定用特定的编码进行编码. Python 3尝试将所有内容都转换为Unicode字符串.在这样做的过程中,开发人员提出了一种方案,将字节字符串转换为Unicode字符串,并且不会丢失,并且不知道原始编码.他们使用部分代理来编码’坏’字节,但普通的UTF8编码器在打印到终端时无法处理它们.

例如,这是一个非UTF8字节字符串：

>>> b'C\xc3N'.decode('utf8','surrogateescape')
'C\udcc3N'

它可以转换为Unicode而不会丢失：

>>> b'C\xc3N'.decode('utf8','surrogateescape').encode('utf8','surrogateescape')
b'C\xc3N'

但它无法打印：

>>> print(b'C\xc3N'.decode('utf8','surrogateescape'))
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeEncodeError: 'utf-8' codec can't encode character '\udcc3' in position 1: surrogates not allowed

你必须弄清楚你想用非默认编码对文件名做什么.也许只是将它们编码回原始字节并用未知替换解码它们.使用此选项进行显示,但保留原始名称以访问该文件.

>>> b'C\xc3N'.decode('utf8','replace')
C�N

os.walk也可以使用字节字符串,并返回字节字符串而不是Unicode字符串：

for p,d,f in os.walk(b'.'):

然后你可以随意解码.

根据以上分析将代码：

print ('Best hypothesis segments: ',[seg.word for seg in decoder.seg()])

修改为

# print ('Best hypothesis segments: ',[str(seg.word.encode('utf-8','surrogateescape'),'gbk','ignore') for seg in decoder.seg()])

使用str（words,‘gbk’,‘ignore’）是其在windows下能够打印出中文（bytes to str），
word.encode(‘utf-8’,‘surrogateescape’)将其转换为Unicode而不会丢失不能编码的部分。

有关‘surrogateescape’可以参看文章：
http://timothyqiu.com/archives/surrogateescape-in-python-3/

本文参考了：
https://codeday.me/bug/20180901/237634.html
https://www.crifan.com/unicodeencodeerror_gbk_codec_can_not_encode_character_in_position_illegal_multibyte_sequence/