Python读写txt文件时的编码问题

转载自： https://www.cnblogs.com/baijing1/p/9885891.html
（授权问题请直接私信）

这个问题来自于一个小伙伴，他在处理中文数据时需要先把里面的文本过滤然后分词，因为里面有许多符号，不仅是中文标点符号，还有✳，emoji等奇怪的符号。

正常情况下，中文的str经过encode(‘utf-8’)变成bytes，然后bytes经过decode(‘utf-8’)变回中文。

原始文件是txt，那么先读进来，需要使用utf-8编码，当然你也可以使用GBK或者GB18030，这就看你的文本里面都是些啥内容了，读入的格式对后面保存的格式有重大影响，所以还是使用UTF-8吧：

with open ('AVE_input.txt', 'r', encoding='utf-8') as f:
    lines = f.readlines()

接下来是一系列的操作，过滤分词等等，然后在将结果写入txt的时候问题来了：经过处理的一行行文本现在已经变成了str（其实里面的内容还是这种b’\xe4\xb8\xad\xe6\x96\x87’），不能直接由字符串直接decode到中文，会报错：str has no attribute ‘decode’…这是因为中间的那些操作已经把lines里面的bytes转成了str。所以写入的时候需要做转化：

item.encode(‘utf-8’).decode(‘utf-8’)

这种做法我在其他博客里都没有见到过，主要是被逼无奈，不然str格式直接写入就是一堆编码，不能阅读。原理是把原本不能直接decode的str（虽然内容是一堆编码）先转换回bytes，再decode成str。

这样就结束了吗？NO！

写入之前需要打开文件，大部分人打开的时候都忘记使用UTF-8编码，而windows下txt默认的是GBK编码，pycharm默认也是使用系统的编码，上面要是直接写入的话就会报错：

UnicodeEncodeError: ‘gbk’ codec can’t encode character ‘\u2022’ in position 0: illegal multibyte sequence

即对GBK格式txt文件写不进去UTF-8下的部分文本，所以写入前的打开文件和上面一样：

　　 with open ('a.txt', 'w', encoding='utf-8') as f:
　　     f.write(item)

编码问题虽然网上的博客很多，但这个问题还是要自己遇到了在解决的过程中才能理解。