python---转码遇到了非法字符的解决方法：“ignore”

 

在对html response的decode时抛出，代码原样为：

response = urllib.urlopen(dsturl)
content = response.read().decode('utf-8')

 抛出错误为

File "./unxingCrawler_p3.py", line 50, in getNewPhones
  content = response.read().decode()
UnicodeDecodeError: 'utf8' codec can't decode byte 0xb2 in position 24137: invalid start byte 

can't decode byte 0xb2 in position 24137

意思是声明为utf-8编码的网页中出现了utf-8无法解析的字符，即遇到了非法字符——尤其是在某些用C/C++编写的程序中，全角空格往往有多种不同的实现方式，比如\xa3\xa0，或者\xa4\x57，这些字符，看起来都是全角空格，但它们并不是“合法”的全角空格（真正的全角空格是\xa1\xa1），因此在转码的过程中出现了异常。

这样的问题很让人头疼，因为只要字符串中出现了一个非法字符，整篇文章就都无法转码。

 

解决办法：
unicodestr = json.loads(html.decode("gbk"， “ignore”))
因为decode的函数原型是decode([encoding], [errors='strict'])，可以用第二个参数控制错误处理的策略，默认的参数就是strict，代表遇到非法字符时抛出异常；
如果设置为ignore，则会忽略非法字符；
如果设置为replace，则会用?取代非法字符；
如果设置为xmlcharrefreplace，则使用XML的字符引用。