使用python进行数据转码

大数据最烦的就是数据质量差，为了把数据导入到sequoiadb中，需要要求文本是UTF-8模式的，使用enca查看文件编码是gb2312，然后是enca转utf-8报错。google了整个地球都不知道原因，尝试使用python进行转码

# -*- coding: utf-8 -*-
import codecs
import sys
print "文件名:", sys.argv[1]
filename = sys.argv[1]
if( filename == None ):
exit(1)
file = open(filename)
writefile = open(filename+"utf8","w+")
bom = file.read(3)
if( bom == codecs.BOM_UTF8 ):
file.seek(3)
for a in file:
writefile.write(a.decode("gb2312","ignore").encode("utf-8"))
file.close()
writefile.close()

这里说明两点：

1：for line in file 是python读取大文件比较快速的方法

2：上面代码转码时报错：UnicodeDecodeError: ‘gb2312’ codec can’t decode bytes in position 2-3: illegal multibyte sequence

 

第二个问题：writefile.write变成print没有这个问题，但是一write就有问题,很费解，后来网上找了一个文章说：处理的字符的确是gb2312的，但是其中夹杂的部分特殊字符在gb2312里面找不到相关的映射转成Unicode,可以使用GB18030,他是GB2312的超集，包含很多特殊字符是gb2312没有的，改成gb18030可以了。

 

但是依旧没有解决为什么print可以的原因。