python - GBK中的Unicode编码

Question

小弟最近使用Python处理一批新闻语料，主要的工作就是将和标签中文本取出，并以空格分割字符。文件中的部分格式如下：

<doc>
<url>http://sports.sina.com.cn/euro2008/video/601/2008-06-06/105.html</url>
<docno>005e46d7ec87bc5b-63207783d4cca6e0</docno>
<contenttitle>视频－揭幕战捷克即将亮相　“东欧铁骑”信心十足</contenttitle>
<content>评论：１北京时间６月４日，捷克国家足球队离开奥地利的因斯布鲁克训练基地，赶赴瑞士准备与东道主的揭幕战。以上是相关视频报道。</content>
</doc>

细心的朋友或许注意到北京前面有个乱码，此外数字1、6和4都是全角的。全角转半角在unicode下容易，但若文件本身是非unicode编码（比如gbk），就需要先转码。但即使使用正确的解码器，还是无法对文件进行正确地解码，读取第一行就出错了：

>>> news_file.readline()
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'gbk' codec can't decode byte 0xbf in position 2: illegal multibyte sequence

有些转义字符在gbk编码中出现，也会出现编解码错误的情况：

>>> s = "组图：震前汶川风光震前汶川风光　ＱＱ群４９１４６６７．作者肚螂皮"
>>> s
'组图：震前汶川风光\ue40c震前汶川风光\u3000ＱＱ群４９１４６６７．作者肚螂皮'
>>> news_file = open("D:/news_test.txt", "w")
>>> news_file.write(s)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeEncodeError: 'gbk' codec can't encode character '\ue40c' in position 9: illegal multibyte sequence
>>> 

我试过在open函数中使用errors="ignore"，错误是没有了，但这样读取之前中的文本会产生乱码。

>>> news_file.readline()
'<content>组图：震前汶川风光Ｕ鹎般氪ǚ绻狻。眩讶海矗梗保矗叮叮罚作者肚螂皮</content>\n'

请问处理上述两种异常情况下并正确地读写文件？有没有开源包能够处理上述问题？

Answer 1

>>> '组图：震前汶川风光\ue40c震前汶川风光\u3000ＱＱ群４９１４６６７．作者肚螂皮'.encode('gbk')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeEncodeError: 'gbk' codec can't encode character '\ue40c' in position 9: illegal multibyte sequence
>>> '组图：震前汶川风光\ue40c震前汶川风光\u3000ＱＱ群４９１４６６７．作者肚螂皮'.encode('gb18030')
b'\xd7\xe9\xcd\xbc\xa3\xba\xd5\xf0\xc7\xb0\xe3\xeb\xb4\xa8\xb7\xe7\xb9\xe2\xfd\xa3\xd5\xf0\xc7\xb0\xe3\xeb\xb4\xa8\xb7\xe7\xb9\xe2\xa1\xa1\xa3\xd1\xa3\xd1\xc8\xba\xa3\xb4\xa3\xb9\xa3\xb1\xa3\xb4\xa3\xb6\xa3\xb6\xa3\xb7\xa3\xae\xd7\xf7\xd5\xdf\xb6\xc7\xf2\xeb\xc6\xa4'


>>> '组图：震前汶川风光\ue40c震前汶川风光\u3000ＱＱ群４９１４６６７．作者肚螂皮'.encode('gbk', errors='replace').decode('gbk')
'组图：震前汶川风光?震前汶川风光\u3000ＱＱ群４９１４６６７．作者肚螂皮'

1. 你列举的两个问题用 GB18030 编码就没问题了；
2. GB* 编码本来容错就不好，所以遇到无法转换的编码应当用其它字符替代而不是简单地忽略，以免造成后续字符乱码（DOS 时代「删除半个汉字」造成乱码就是因为这个）。

---

我用 GB18030 解码你的文件没有问题：

Python 3.3.3 (default, Nov 26 2013, 13:33:18) 
[GCC 4.8.2] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> d = open('news_test.xml', encoding='gb18030')
>>> c = d.read()
>>> 


Python 2.7.6 (default, Nov 26 2013, 12:52:49) 
[GCC 4.8.2] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> d = open('news_test.xml') 
>>> b = d.read()
>>> c = b.decode('gb18030')
>>> 

Answer 2

我也遇到了这样的问题，我做法是这样的：
1、先用GB18030读取，decode成Unicode
2、进行全角转成半角
3、将u'\ue40c' replace成空格
4、最后统一按照utf-8输出
PS:其实最开始没做第3条，后来在进行分词的时候，发现了这个问题，然后重新过滤了一遍，其实我不知道还有没有隐藏别的问题，如果不放心的话，还是按照GB18030重新输出吧

附上我的全角转半角的代码

def strq2b(ustring):
"""全角转半角"""
rstring = ""
for uchar in ustring:
    inside_code=ord(uchar)
    if inside_code == 12288:#全角空格直接转换
        inside_code = 32 
    elif (inside_code >= 65281 and inside_code <= 65374):#全角字符（除空格）根据关系转化
        inside_code -= 65248
    rstring += unichr(inside_code)
return rstring

Answer 3

你写入的D:/news_test.txt是什么编码的文件？

Answer 4

可是试试chardet啊