如何修复Python中双重编码和损坏的字符串？

我的过程是处理已损坏的数据。我可以说它已经用UTF-8进行了双重编码，但这只是故事的一半。双解码仅适用于单字节（拉丁语）且未受损通过UTF-8的代码点。不能使用

.decode（'utf-8'）。encode（'raw\u unicode\u escape'）。decode（'utf-8'）

我举了一个例子来帮助你弄明白这一点。我要通过的一个条件是：

'\xc3\x82\xc2\xa9\xc3\x82\xc2\xae\xc3\xa2\xe2\x80\x9e\xc2\xa2'

这应该解决以下问题：

u'\xa9\xae\u2122'

（c）和（r）符号的前两个代码点不需要代理项对，因此很明显存在于原始字节中。但是，最后一个字符（tm）符号是一个16位的代码点，它会被执行此操作的任何进程损坏

如果在该点之前切掉字符串，则可以成功地进行双重解码：

'\xc3\x82\xc2\xa9\xc3\x82\xc2\xae'.decode('utf-8').encode('raw_unicode_escape').decode('utf-8')

但是，这不适用于整个字符串，因为第一次解码的结果如下：

u'\xc2\xa9\xc2\xae\xe2\u201e\xa2'

---

有人能告诉我解决这个问题的正确方向吗？在此期间，我将继续探究这个问题，看看我是否能找到答案。

好吧，所以我基本上只是对编码进行了一些猜测，直到我找到了解决方案。问题是数据也是cp1252编码的（可能是因为数据来自Windows系统）。解决方案是调用

.decode（'utf-8'）。encode（'cp1252'）。decode（'utf-8'）

，然后瞧：

我希望其他人能从中得到帮助

发现这也有帮助：

>>> raw = '\xc3\x82\xc2\xa9\xc3\x82\xc2\xae\xc3\xa2\xe2\x80\x9e\xc2\xa2'
>>> print raw.decode('utf-8').encode('cp1252').decode('utf-8')
©®™