当我们用 Python 来处理有乱码的文件时，经常会遇到编码错误，有时候不得不加一个 errors = 'ignore' 参数来忽略错误，
今天分享一下如何用 Python 删除这些乱码，得到一个干净的文件。
先说下思路：用二进制方式打开文件，这样就不会出现编码问题，然后读取每一个字节，只要这个字节不在我们使用编码的范围内，就把它踢掉，然后保存剩下的字节，我们得到的就是一个干净的文件电脑。
比如说这样 ascii 编码的文件，它含有乱码：
电脑处理完之后是这样的：
代码是这样写的：
import struct def is_good_byte(b): """ 可以自定义什么是好字节，比如 GBK 的字节范围可以在这里定义好 """ return b <= 127def clean_bytes(bs): return filter(is_good_byte, bs)def clean_file_bin(): with open("names.txt", mode = "rb") as reader: with open("cleaned_names.txt", mode = "wb") as writer: for line in reader: for byte in clean_bytes(line): writer.write(struct.pack('B',byte))if __电脑name__ == '__main__': clean_file_bin()
上面这段代码是一个字节一个字节来处理的，如果是多字节编码，可以自行修改代码逻辑，比如一次读取 3 个字节，判断这三个字节是否一个合法的字节组合。
对于中英文混合的，比如：
>>> x'abc中国'>>> x.encode("GBK")b'abc\xd6\xd0\xb9\xfa'>>> for i in x.encode("GBK"):... print(i)...979899214208185250>>>
需要综合判断，先判断是否英文字母，是的就放行，然后看接下来的两个字节是否在 GBK 的编码范围之内，是的就放行，不是就要删除，看看是删除一个字节，还是两个字节就要继续判断了。删除的依据就是不会造成更多乱码。
原文链接：
https://mp.weixin.qq.com/s/ZhsbGIoR6HkJHetlOjStWQ