如何解决在 python 中读取文件时出现编解码器错误 - “charmap”编解码器无法解码位置 3124 中的字节 0x81:字符映射到 <undefined>
我正在开展一个机器学习项目,该项目可从所有电子邮件中过滤垃圾邮件/网络钓鱼电子邮件。为此,我使用了 SpamAssassin 数据集。数据集包含以下格式的不同邮件:
为了识别网络钓鱼电子邮件,我要做的第一件事就是找出电子邮件有多少个网络链接。为此,我编写了以下代码:
wordsInLine = []
tempWord = []
urlList = []
base_dir = "C:/Users/keert/Downloads/Spam_Assassin/spam"
def count():
flag = 0
print("Reading all file names in sorted order")
for filename in sorted(os.listdir(base_dir)):
file=open(os.path.join(base_dir,filename))
count1 = 0
for line in file:
wordsInLine = line.split(' ')
for word in wordsInLine:
if re.search('href="http',word,re.I):
count1=count1+1
file.close()
urlList.append(count1)
if flag!=0:
print("File Name = " + filename)
print ("Number of links = ",count1)
flag = flag + 1
count()
final = urlList[1:]
print("List of number of links in each email")
print(final)
with open('count_links.csv','wb') as myfile:
wr = csv.writer(myfile,quoting=csv.QUOTE_ALL)
for val in final:
wr.writerow([val])
print("CSV file generated")
但是这段代码给了我一个错误,说:'charmap'编解码器无法解码位置 3124 的字节 0x81:字符映射到
我什至尝试通过添加 encoding = 'utf8'
选项来打开文件。但是,冲突仍然存在,我得到了一个错误,例如:'utf-8'编解码器无法解码位置 3124 中的字节 0x81:字符映射到
我猜这是由于文件中的特殊字符造成的。有什么办法可以解决这个问题,因为我不能跳过特殊字符,因为它们也很重要。请建议我这样做的方法。提前致谢
解决方法
您必须使用与写入文件相同的编码来打开和读取文件。在这种情况下,这可能有点困难,因为您正在处理电子邮件,并且它们可以采用任何编码,具体取决于发件人。在您展示的示例文件中,消息使用“iso-8859-1”编码进行编码。
然而,电子邮件有点奇怪,因为它们由一个标题(据我所知是 ASCII 格式),后跟一个空行和正文组成。正文以标头中指定的编码进行编码。所以可以在同一个文件中使用两种不同的编码!
如果您确定所有电子邮件都使用 iso-8859-1 编码,并且您正在寻找快速而肮脏的解决方案,那么您也可以使用“iso-8859-1”打开文件' 编码,因为电子邮件标头与 iso-8859-1 兼容。但是,请准备好您还必须处理其他电子邮件格式/编码/转义问题,否则您的脚本可能无法完全按预期工作。
我认为最好的解决方案是寻找一个可以处理电子邮件的 Python 模块,这样它就可以处理所有解码内容,而您不必担心。它还将解决其他问题,例如转义字符和换行符。
我自己没有这方面的经验,但似乎 Python 内置了对使用 e-mail package 解析电子邮件的支持。我建议看看那个。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。