UnicodeEncodeError: ‘gbk’ codec can’t encode character u’\u200e’ in position 43: illegal multibyte s...

【问题】

python中已获取网页：

http://blog.csdn.net/hfahe/article/details/5494895

的html源码，其时UTF-8编码的。

提取出其标题部分：

        

        在2008 Beijing Perl 大会的演讲-使用Mason开发高性能的Web站点‎ 

        

中的标题文字：

在2008 Beijing Perl 大会的演讲-使用Mason开发高性能的Web站点

然后用：

titleUni = unicode(titleHtml, “UTF-8″);

或

titleUni = titleHtml.decode(“UTF-8″);

将其解码成Unicode，但是却会出错：

UnicodeEncodeError: ‘gbk’ codec can’t encode character u’\u200e’ in position 43: illegal multibyte sequence

 

【解决过程】

1.Python的编码问题，GB18030，UTF-8，Unicode等问题，之前遇到过很多次了，也就解决了。此处很奇怪的是，

类似的其他的网页，比如：

http://blog.csdn.net/v_july_v/article/details/6543438

http://blog.csdn.net/v_july_v/article/details/5934051

等，对应提取出来的内容，都是可以正常解码为Unicode的。

因为本身其编码的确是Utf-8的。

2.去试了试用chardet.detect分析其真正编码的，得到的结果是：

encInfo= {‘confidence': 0.99, ‘encoding': ‘utf-8′}

也是和其他网页内容得到的结果是一样的。

3.此问题觉得很诡异的是，本身调用UTF-8去decode，但是解码出错却提示的是GBK的，而不是UTF-8相关解码出错。

4.找了些其他帖子:

Python UnicodeEncodeError:illegal multibyte sequence

但是讨论的都是关于从Unicode编码为GBK或GB2312，然后出错的。

而我这里的错误是，本身内容是UTF-8的，然后想要还原为Unicode，结果却提示GBK解码错误的。。。

5.这里：探索UTF-8中文编码的BOM标记问题提到了，可能是由于UTF-8的BOM造成的不能正常解码，所以试着去将返回的html导出为html文件，然后用Notepad++查看，结果还是没看出是否有BOM，反正是文字内容，都可以查看到的。

然后也试了类似代码：

titleUni = titleHtml[1:].decode(“UTF-8″);   titleUni = titleHtml[2:].decode(“UTF-8″);

但是都还是不行。

后来在这里也看到了，关于UTF-8的BOM的问题的解释，但同样不是我要的。

6.在这里：Python Unicode与中文处理(文摘)，看到了：

s.decode(‘gbk’, ‘ignore’).encode(‘utf-8′)

然后才想起来，之前是看到过类似的解释，即添加ignore来忽略非法的字符，然后又参考：

python字符串decode中遇到非法字符的问题

然后去找了对应语法：

str.decode([encoding[, errors]])

Decodes the string using the codec registered for encoding. encoding defaults to the default string encoding. errors may be given to set a different error handling scheme. The default is 'strict', meaning that encoding errors raiseUnicodeError. Other possible values are 'ignore', 'replace' and any other name registered via codecs.register_error(), see section Codec Base Classes.

New in version 2.2.

Changed in version 2.3: Support for other error handling schemes added.

Changed in version 2.7: Support for keyword arguments added.

试了：

titleUni = titleHtml.decode(“UTF-8″, ‘ignore’);

和：

titleUni = titleHtml.decode(“UTF-8″, ‘replace’);

但是结果仍是：

print “titleUni=”,titleUni;

会出现上述“’gbk’ codec can’t encode”的错误。

但是后来无意间发现，在打印titleUni之前，添加了一行调试代码：

print “len(titleUni)=”,len(titleUni);

却是可以正常打印的，这就说明，此处的titleUni变量，正常解码为Unicode的值了，即上述decode是正常的。

然后又重新试了试，之前的：

titleUni = titleHtml.decode(“UTF-8″);

结果也是一样的，即print “len(titleUni)=”,len(titleUni);也是可以正常输出的。

然后此时才明白，原来出现’gbk’ codec can’t encode”的错误的根本原因是，对于前面的，不论是用

titleHtml.decode(“UTF-8″);

还是

titleHtml.decode(“UTF-8″, ‘ignore’);

还是

titleHtml.decode(“UTF-8″, ‘replace’);

都是可以得到正常的titleUni的Unicode字符的，然后对于此Unicode的字符，需要print出来的话，由于本地系统是Win7中的cmd，默认codepage是CP936，即GBK的编码，所以需要先将上述的Unicode的titleUni先编码为GBK，然后再在cmd中显示出来，然后由于titleUni中包含一些GBK中无法显示的字符，导致此时提示“’gbk’ codec can’t encode”的错误的。

【总结】

对于此（类）问题：

(1)出现UnicodeEncodeError –> 说明是Unicode编码时候的问题；

(2) ‘gbk’ codec can’t encode character –> 说明是将Unicode字符编码为GBK时候出现的问题；

此时，往往最大的可能就是，本身Unicode类型的字符中，包含了一些无法转换为GBK编码的一些字符。

解决办法是：

• 方案1：

在对unicode字符编码时，添加ignore参数，忽略无法无法编码的字符，这样就可以正常编码为GBK了。

对应代码为：

gbkTypeStr = unicodeTypeStr.encode(“GBK“, ‘ignore’);

• 方案2：

或者，将其转换为GBK编码的超集GB18030 （即，GBK是GB18030的子集）：

gb18030TypeStr = unicodeTypeStr.encode(“GB18030“);

对应的得到的字符是GB18030的编码。

【题外话】

对于上述中，将原先的utf-8的字符转换为Unicode的时候，其实更加安全的做法，也可以将：

titleUni = titleHtml.decode(“UTF-8″);

替换为：

titleUni = titleHtml.decode(“UTF-8″, ‘ignore’);

这样可以实现，即使对于那些，相对来说是无关紧要的一些特殊字符，也可以成功编码，避免编码出错，提高程序的健壮性。

 

---

【后记 2012-12-01】

后来，专门花精力，总结了最常见的一些类型，感兴趣的可以去看看：

【总结】Python 2.x中常见字符编码和解码方面的错误及其解决办法