Python Unicode转义文件处理错误

我有一个原始文本文件，只包含以下行，没有换行：

Q853 \u0410\u043D\u0434\u0440\u0435\u0439 \u0410\u0440\u0441\u0435\u043D\u044C\u0435\u0432\u0438\u0447 \u0422\u0430\u0440\u043A\u043E\u0432\u0441\u043A\u0438\u0439

字符如上图所示进行转义，这意味着

\u05E9

实际上是一个反斜杠，后跟5个字母数字字符（而不是Unicode字符）。我正在尝试使用以下代码解码该文件：

import codecs

with codecs.open("wikidata-terms20.nt", 'r', encoding='unicode_escape') as input:
    with open("wikidata-terms3.nt", "w") as output:
        for line in input:
            output.write(line)

此处无法使用

打印

，请参见注释中的

运行它会导致以下错误：

Traceback (most recent call last):
  File "terms2.py", line 5, in <module>
    for line in input:
  File "C:\Program Files\Python35\lib\codecs.py", line 711, in __next__
    return next(self.reader)
  File "C:\Program Files\Python35\lib\codecs.py", line 642, in __next__
    line = self.readline()
  File "C:\Program Files\Python35\lib\codecs.py", line 555, in readline
    data = self.read(readsize, firstline=True)
  File "C:\Program Files\Python35\lib\codecs.py", line 501, in read
newchars, decodedbytes = self.decode(data, self.errors)
UnicodeDecodeError: 'unicodeescape' codec can't decode bytes in position 67-71: truncated \uXXXX escape

回溯（最近一次呼叫最后一次）：
文件“terms2.py”，第5行，在
对于行输入：
文件“C:\Program Files\Python35\lib\codecs.py”，第711行，下一步__
返回下一个（self.reader）
文件“C:\Program Files\Python35\lib\codecs.py”，第642行，下一步__
line=self.readline（）
readline中的文件“C:\Program Files\Python35\lib\codecs.py”，第555行
data=self.read（readsize，firstline=True）
文件“C:\Program Files\Python35\lib\codecs.py”，第501行，已读
newchars，decodedbytes=self.decode（数据，self.errors）
UnicodeDecodeError:“UnicodeScape”编解码器无法解码位置67-71处的字节：截断\uxxx转义

发生了什么事

我在Windows8.1上运行Python3.5.1，代码似乎适用于大多数其他Unicode字符（这一行是导致崩溃的第一行）

---

请参阅编辑历史以了解原始问题。

解码器读取的数据似乎在字符72（基于0的字符71）处被截断。很明显，这与环境有某种联系

以下代码产生与示例中相同的错误：

open("wikidata-terms20.nt", 'r').readline()
open("wikidata-terms20.nt", 'r').readline(72)

将读线大小增加到输入的实际大小以上或将其设置为-1可消除错误：

open("wikidata-terms20.nt", 'r').readline(1000)
open("wikidata-terms20.nt", 'r').readline(-1)

显然，

对于输入中的行：

使用

readline（）

获取要解码的行，有效地将要解码的数据截断为72个字符

因此，这里有两个变通方法：

解决方案1:

import codecs

with open("wikidata-terms20.nt", 'r') as input:
    with open("wikidata-terms3.nt", "w") as output:
        for line in input:
            output.write(codecs.decode(line, 'unicode_escape'))

import codecs

with codecs.open("wikidata-terms20.nt", 'r', encoding='unicode_escape') as input:
    with open("wikidata-terms3.nt", "w") as output:
        for line in input.readlines():
            output.write(line)

解决方案2:

import codecs

with open("wikidata-terms20.nt", 'r') as input:
    with open("wikidata-terms3.nt", "w") as output:
        for line in input:
            output.write(codecs.decode(line, 'unicode_escape'))

import codecs

with codecs.open("wikidata-terms20.nt", 'r', encoding='unicode_escape') as input:
    with open("wikidata-terms3.nt", "w") as output:
        for line in input.readlines():
            output.write(line)

---

请验证您是否使用此处的数据获取错误。使用

print（line）

代替流程行注释，我没有得到任何错误。导致错误的第一行是

Q501\u05E9\u05D0\u05E8\u05DC\u05D1\u05D5\u05D3\u05DC\u05E8

，如果需要解码第一个字符。但是U+05E9似乎是有效的Unicode。这是打印的问题。请注意该错误是如何提到编码到cp850的。请参见使用python 2.7在我的Windows 7上复制。我现在将调试它。我不完全理解这个问题，但似乎已经找到了解决方法。看到我的答案了。谢谢你，效果很好！旁注，我必须为

输出指定
encoding='utf-8'
。