如果您打印了字符串的repr()
输出,unicode
那么您似乎有一个Mojibake ,使用错误的编码对字节数据进行了解码。
首先编码回字节,然后使用正确的编解码器解码。这可能像编码Latin-1一样简单:
unicode_string.encode('latin1').decode('utf8')
但是,这取决于如何应用错误的解码。如果使用Windows代码页(如CP1252),则无论如何强制对CP1252范围之外的UTF-8字节进行编码,最终可能会得到实际上无法编码回CP1252的Unicode数据。
修复此类错误的最佳方法是使用ftfy
库,该库知道如何处理各种编解码器的强制解码的Mojibake文本。
对于您的小样本,Latin-1 似乎 可以正常工作:
>>> unicode_string = u'\xE5\xB1\xB1\xE4\xB8\x9C \xE6\x97\xA5\xE7\x85\xA7'
>>> print unicode_string.encode('latin1').decode('utf8')
山东 日照
>>> import ftfy
>>> print ftfy.fix_text(unicode_string)
山东 日照
如果您有 文字 字符\
,x
后跟两位数字,那么您将拥有另一层编码层,其中字节被4个字符替换。您必须先要求Python使用string_escape
编解码器解释转义,然后才能将其“解码”为实际字节:
>>> unicode_string = ur'\xE5\xB1\xB1\xE4\xB8\x9C \xE6\x97\xA5\xE7\x85\xA7'
>>> unicode_string
u'\\xE5\\xB1\\xB1\\xE4\\xB8\\x9C \\xE6\\x97\\xA5\\xE7\\x85\\xA7'
>>> print unicode_string.decode('string_escape').decode('utf8')
山东 日照
'string_escape'
是一个Python 2唯一的编解码器,它产生一个字节串,因此以后将其解码为UTF-8是安全的。