python3 open txt的UnicodeDecodeError: 'gbk' codec问题解决方案

python3 open txt的UnicodeDecodeError: 'gbk' codec问题解决方案
先直截了当给出解决方案，在程序开头加上：
import _locale
_locale._getdefaultlocale = (lambda *args: ['zh_CN', 'utf8'])
12
分析
在Windows下经常用python open函数的人相信都遇到过UnicodeDecodeError: ‘gbk’ codec…这种编码问题。而且很多有经验的人应该知道解决方法是加上参数encoding=“utf-8”，因为"utf-8"是更通用的编码：
open("test.txt",encoding="utf-8")
然而这样的解决方法也有一些问题：

有多个open的情况下，必须手动一个个添加参数，很麻烦
更致命的是，当引用的第三方库中的open没有加上这个参数时，我们就几乎完全束手无策了（勇士可以尝试修改源码再重装）

我正是因为碰到了第二种情况，于是下定决心找一个一劳永逸的方法解决问题，这就要对原理做一些深入探究。

Python 和 encoding  相关的配置主要有下面几个：

locale.getpreferredencoding() 这个用的是最广的。 这是 Python 在 open 文件时默认使用的 encoding
sys.getdefaultencoding() 是 Python 进行 str/unicode(byte/str) 转换时默认使用的 encoding
sys.getfilesystemencoding() 是用来 encoding 文件名的， 例如 open(b’balabala’)
标准输入输出(print)的 encoding:
4.1 若设置了 PYTHONIOENCODING 环境变量, 则以次变量为准
4.2 标准输入输出是打到终端的话， 看终端的 locale 配置， 在 windows cmd 的代码页
4.3 标准输入输出被重定向到文件的话， 则参照 1 ， 用的是 ` locale.getpreferredencoding()
----出自：http://neue.v2ex.com/t/271999

所以我们的目标是要修改环境配置，python解释器会取_getdefaultlocale()[1]作为默认编码类型。
所以我们采用：
import _locale
_locale._getdefaultlocale = (lambda *args: ['zh_CN', 'utf8'])
12
重写函数后，会改变当前运行环境下的所有模块的默认编码。
感谢在 https://juejin.im/post/5bd2b6d5e51d45735c3c0453 找到的解决方案
—————————

 

尝试用Python写一个Wordcloud的时候，出现了编码问题。
照着网上某些博客的说法添添改改后，结果是变成了“UnicodeDecodeError: ‘utf-8’ codec can’t decode byte…”这个错误。
捣鼓了一天啊，TXT（此处为本人现下内心表情）。最后，干脆写个最简单的文件读取，竟然还是报错。于是就考虑是不是txt的编码问题，因为读取的txt文件是在Mac上面新建的纯文本文件，一时没找到在哪里查看编码，最后拷贝到Windows系统上，查看了txt文件的编码，竟然是ASCII，不是我最爱的utf-8，Mac你辜负了我对你的一番信任啊！ε(┬┬﹏┬┬)3
解决方法

将txt文件的编码格式改为utf-8即可

此外，在打开文件的时候，要加上第三个参数encoding=‘utf8’(没有横杠)。
with open('./test3.txt','r',encoding='utf8') as fin:
    for line in fin.readlines():
        line = line.strip('\n')
123
下面附上第一次成功显示的词云的源码（参考网上他人的，注释很详细）
import jieba
import jieba.analyse
from matplotlib import pyplot as plt
from scipy.misc import imread
from wordcloud import WordCloud,STOPWORDS,ImageColorGenerator
 
# 1.读取数据
with open("./test.txt","r",encoding="utf8") as f:
    text = f.read()
 
# 2.基于 TextRank 算法的关键词抽取,top50
keywords = jieba.analyse.textrank(text, topK=50, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v'))
file = ",".join(keywords)
 
# 指定中文字体，不然中文显示框框
font = r'./HYQiHei-25J.ttf'
print(file)
# 指定背景图,随意
image = imread('cake.jpg')
wc = WordCloud(
    font_path=font,
    background_color='white',#背景色
    mask=image,#背景图
    stopwords=STOPWORDS,#设置停用词
    max_words=100,#设置最大文字数
    max_font_size=100,#设置最大字体
    width=800,
    height=1000,
 
)
 
#生成词云
image_colors = ImageColorGenerator(image)
wc.generate(file)
 
# 使用matplotlib,显示词云图
plt.imshow(wc)  #显示词云图
plt.axis('off') #关闭坐标轴
plt.show()
# 保存图片
wc.to_file('news.png')
———————

 

Python逐行读取文件内容

代码来源： Python参考手册

 

f = open("foo.txt")             # 返回一个文件对象
line = f.readline()             # 调用文件的 readline()方法
while line:
    print line,                 # 后面跟 ',' 将忽略换行符
    # print(line, end = '')　　　# 在 Python 3中使用
    line = f.readline()

f.close()

也可以写成以下更简洁的形式

for line in open("foo.txt"):
    print line,

更详细的文件按行读取操作可以参考：http://www.cnblogs.com/xuxn/archive/2011/07/27/read-a-file-with-python.html

1. 最基本的读文件方法：
?
# File: readline-example-1.py
 
file = open("sample.txt")
 
while 1:
    line = file.readline()
    if not line:
        break
    pass # do something
　　一行一行得从文件读数据，显然比较慢；不过很省内存。
　　在我的机器上读10M的sample.txt文件，每秒大约读32000行
2. 用fileinput模块
?
# File: readline-example-2.py
 
import fileinput
 
for line in fileinput.input("sample.txt"):
    pass
　　写法简单一些，不过测试以后发现每秒只能读13000行数据，效率比上一种方法慢了两倍多……
3. 带缓存的文件读取
?
# File: readline-example-3.py
 
file = open("sample.txt")
 
while 1:
    lines = file.readlines(100000)
    if not lines:
        break
    for line in lines:
        pass # do something
　　这个方法真的更好吗？事实证明，用同样的数据测试，它每秒可以读96900行数据！效率是第一种方法的3倍，第二种方法的7倍！
————————————————————————————————————————————————————————————
　　在Python 2.2以后，我们可以直接对一个file对象使用for循环读每行数据：
?
# File: readline-example-5.py
 
file = open("sample.txt")
 
for line in file:
    pass # do something
　　而在Python 2.1里，你只能用xreadlines迭代器来实现：
?
# File: readline-example-4.py
 
file = open("sample.txt")
 
for line in file.xreadlines():
    pass # do something

 

—————————

python逐行读取文本

 

一、使用open打开文件后一定要记得调用文件对象的close()方法。比如可以用try/finally语句来确保最后能关闭文件。

二、需要导入import os

三、下面是逐行读取文件内容的三种方法：

1、第一种方法：

[python] view plain copy

　　

f = open("foo.txt")               # 返回一个文件对象   
line = f.readline()               # 调用文件的 readline()方法   
while line:   
    print line,                   # 后面跟 ',' 将忽略换行符   
    #print(line, end = '')　      # 在 Python 3 中使用   
    line = f.readline()   
   
f.close()

 

2、第二种方法：

　　与第3种方法对比， 并非一次性将全部的文件内容载入到内存里,而是在迭代的时候，循环到哪一行才将哪一行读入内存。这里涉及到一个新的概念-迭代器。

　　第二种方法是文本文件读取的最佳选择，它简单，且对任意大小的文件都有效，因为他不会一次性把整个文件都载入到内存里，相反第三种方法存在内存压力过大的问题。

for line in open("foo.txt"):   
    print line,    

 

3、第三种方法：

　　通过readlines方法，会首先一次性把文件载入到行字符串列表中，然后再对这个字符串列表进行迭代；

　　

f = open("c:\\1.txt","r")   
lines = f.readlines()      #读取全部内容 ，并以列表方式返回  
for line in lines   
    print line 

 

四、一次性读取整个文件内容：

 

　　

file_object = open('thefile.txt')  
try:  
     all_the_text = file_object.read()  
finally:  
     file_object.close()

 

五、区别对待读取文本 和 二进制：

1、如果是读取文本

　　

    读文本文件  
    input = open('data', 'r')  
    #第二个参数默认为r  
    input = open('data')  

 

2、如果是读取二进制

 

　　

input = open('data', 'rb')  

 

 读固定字节

　

chunk = input.read(100)

 

———————