Python3 - 无法读取 docx、odt 文件 - UnicodeDecodeError: 'utf-8' codec can't decode byte 0xea in position 10: invalid continuation byte答案

【问题标题】：Python3 - Cannot read docx, odt file - UnicodeDecodeError: 'utf-8' codec can't decode byte 0xea in position 10: invalid continuation bytePython3 - 无法读取 docx、odt 文件 - UnicodeDecodeError: 'utf-8' codec can't decode byte 0xea in position 10: invalid continuation byte
【发布时间】：2018-01-31 07:09:45
【问题描述】：

我正在尝试将一个大的 docx 文件拆分为小文件。为此，在 python3.6 中使用以下代码读取文件时。

with open('h.docx', 'r') as f:
    a = f.read()

它会抛出这个错误。

Traceback (most recent call last):
  File "<stdin>", line 2, in <module>
  File "/usr/local/lib/python3.6/codecs.py", line 321, in decode
    (result, consumed) = self._buffer_decode(data, self.errors, final)
  UnicodeDecodeError: 'utf-8' codec can't decode byte 0xea in position 
  10: invalid continuation byte

h.docx 是使用 LibreOffice Calc 创建的，其中仅包含 'hello world' 作为内容。我可以在 Python 2.7 中成功阅读，没有任何错误。

我试过了

with open('h.docx', 'r', encoding='latin-1') as f:
    a = f.read()

在此我可以毫无错误地读取文件。但是当写入另一个文件时，原始内容会丢失。

也试过errors='surrogateescape'，但是当写入另一个文件时，原始内容会丢失。

【问题讨论】：

你想做什么？如果你只是想读写另一个文件，用“rb”with open('h.docx', 'rb') as f:读取它，用wb写入它
我正在尝试读取一个大的 docx 文件并希望将其拆分为多个小文件。所以我想我不能在这里将文件作为二进制文件读取。
.docx 文件是二进制文件，因此您必须使用“rb”打开它们。此外，如果您要将整个 blob 分成几块，您将得不到任何有用的东西。 .docx 文件实际上是压缩档案。试试这个：将文件扩展名更改为 .zip 并使用存档实用程序打开它，然后您将能够看到其中的内容。文本嵌入在一些 XML 文件中。

标签： python file encoding utf-8 decode

【解决方案1】：

不是真正的答案，但评论太长了。你所做的只是无意义的：你试图读取一个“.docx”文件，就好像它是一个文本文件，它是不是。这是一种复杂的格式，其中几个 xml 文件（可能还有其他......）被连接到一个 zip 文件中。您甚至不应该考虑手动处理这样的文件，除非：

琐碎的更改，例如用另一个词替换一个词
只读操作，例如研究特定字符串
你想写一个 docx 处理包（祝你好运）

甚至那些也不是简单的操作。

什么是可能的：

当您仅将文件视为不透明内容时将其作为二进制文件处理，例如通过网络连接发送文件
使用像python-docx这样的专用库
在Windows下，使用Word的自动化界面让word自己处理文件（comtypes可以帮忙）

【讨论】：

快速问题：为什么我可以在 Python2.7 中而不是在 Python3.6 中做同样的事情？我可以在python2.7中读取docx文件而没有任何错误。
Python 2 字符串只是字节字符串，这意味着在 Python 2 中读取文本文件时不会出现 unicode 解码错误，因为不涉及 unicode 解码操作。但是您很可能会得到无法使用的垃圾，因为在处理 '\x1D'（回车）字符的 null 时仍然可能会遇到问题。