当文件大小大于 40K 字节时，为什么 csv.reader 会失败？

Question

我有以下代码：

with open(filename, 'rt') as csvfile:
    csvDictReader = csv.DictReader(csvfile, delimiter=',', quotechar='"')
    for row in csvDictReader:
        print(row)

只要文件大小小于 40k 字节，程序就会运行良好。 当文件大小超过 40k 时，我在尝试读取文件时收到此错误：

UnicodeDecodeError: 'utf-8' codec can't decode byte 0xa0 in position 7206: invalid start byte

实际文件内容似乎没有问题，只有文件本身的大小（40k 字节真的很小）。

当文件大小大于 40K 字节时，错误总是发生在包含第 32K 字节的行上。

我有一种感觉，python 无法毫无例外地读取超过 40K 字节的文件，而只是在中间的第 32K 字节附近截断它。那是对的吗？这个限制在哪里定义？

Answer 1

您的文件中有无效的 UTF-8 数据。这与csv 模块无关，也与文件大小无关；您的较大文件中包含无效数据，较小的文件中没有。简单地做：

 with open(filename) as f:
     f.read()

应该会触发同样的错误，这纯粹是遇到了无效的 UTF-8 字节，这表明您的文件不是以 UTF-8 开头，或者已经以某种方式损坏。

如果您的文件实际上是不同的编码（例如latin-1、cp1252 等；file 命令行实用程序可能有助于识别，但对于许多 ASCII 超集编码，您只需 知道），将其作为encoding 参数传递给open 以代替默认的语言环境（在这种情况下为utf-8），因此您可以正确解码字节，例如：

    # Also add newline='' to defer newline processing to csv module, where it's part
    # of the CSV dialect
    with open(filename, encoding='latin-1', newline='') as csvfile:
        csvDictReader = csv.DictReader(csvfile, delimiter=',', quotechar='"')
        for row in csvDictReader:
            print(row)

Answer 2

文件大小不是真正的问题 查看异常：

UnicodeDecodeError: 'utf-8' codec can't decode byte 0xa0 in position 7206: invalid start byte

你应该首先处理编码问题

with open(filename, 'rt', encoding='utf-8', errors='ignore') as csvfile:

这将忽略编码错误