如何使用python解码代表utf-8的字符串？

Question

我有这样的 unicode ：

\xE5\xB1\xB1\xE4\xB8\x9C \xE6\x97\xA5\xE7\x85\xA7

我知道这是字符串代表bytes其进行编码utf-8

请注意，字符串\xE5\xB1\xB1\xE4\xB8\x9C \xE6\x97\xA5\xE7\x85\xA7本身是<type 'unicode'>

如何将其解码为真实字符串山东 日照？

Answer 1

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Windowshtml" target="_blank">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。