python - 为什么我在这里得到 UnicodeDecodeError？

Question

我正在尝试制作一个 python 脚本来查找 USB 闪存驱动器中的重复文件。

我遵循的过程是创建一个文件名列表，散列每个文件，然后创建一个逆向字典。然而，在过程中的某个地方，我得到了一个 UnicodeDecodeError。有人可以帮助我了解发生了什么吗？

from os import listdir
from os.path import isfile, join
from collections import defaultdict
import hashlib

my_path = r"F:/"

files_in_dir = [ file for file in listdir(my_path) if isfile(join(my_path, file)) ]
file_hashes = dict()

for file in files_in_dir:
    file_hashes[file] = hashlib.md5(open(join(my_path, file), 'r').read()).digest()

inverse_dict = defaultdict(list)

for file, file_hash in file_hashes.iteritems():
    inverse_dict[file_hash].append(file)

inverse_dict.items()

我遇到的错误是:

Traceback (most recent call last):
  File "C:\Users\Fotis\Desktop\check_dup.py", line 12, in <module>
    file_hashes[file] = hashlib.md5(open(join(my_path, file), 'r').read()).digest()
  File "C:\Python33\lib\encodings\cp1253.py", line 23, in decode
    return codecs.charmap_decode(input,self.errors,decoding_table)[0]
UnicodeDecodeError: 'charmap' codec can't decode byte 0xff in position 2227: character maps to <undefined>

Answer 1

您正在尝试读取未使用默认平台编码 (cp1253) 编码的文件。通过以文本模式 (r) 打开文件，Python 3 将尝试将文件内容解码为 un​​icode。您没有指定编码，因此使用平台首选编码。

改为以二进制模式打开文件，使用 rb 作为模式。由于您只计算 MD5 散列(一个需要字节的函数)，因此您无论如何都不应该使用文本模式。