问题描述
我正在尝试解析一个XML文件，并将其内容写入一个纯文本文件。到目前为止，我的程序一直在运行，直到它命中一个表情符号字符，然后Python抛出以下错误：
UnicodeEncodeError: 'charmap' codec can't encode characters in position 177-181: character maps to <undefined>
我转到错误位置，在XML文件中找到以下emoji：
我的问题是如何将它们编码为Unicode，或者在写入文件时完全删除/忽略它们。
当我将print()打印到控制台时，它输出得很好，但在写入文件时抛出错误。
我搜索了Google和Here，但我得到的唯一答案是它们已经编码为Unicode。你能看到我的是字面意思吗？我不确定我说的是否正确。
我正在使用的XML文件也具有以下格式：
<?xml version='1.0' encoding='UTF-8' standalone='yes' ?>
<?xml-stylesheet type="text/xsl" href="sms.xsl"?>
<smses count="1">
<sms protocol="0" address="+00000000000" date="1346772606199" type="1" subject="null" body="Lorem ipsum dolor sit amet, consectetur adipisicing elit," toa="null" sc_toa="null" service_center="+00000000000" read="1" status="-1" locked="0" date_sent="1346772343000" readable_date="Sep 4, 2012 10:30:06 AM" contact_name="John Doe" />
</smses>
推荐答案
您有两个选项：
选择可以处理Emoji代码点的编码。您已使用默认编解码器(取决于您的系统)打开要写入的文件，或者选择了不支持代码点的显式编码。
UTF编码能够很好地处理码点；我在这里选择UTF-8：
with open(filename, 'w', encoding='utf8') as outfile:
outfile.write(yourdata)
设置错误处理模式，用替换字符、转义序列替换编解码器无法处理的代码点，或者完全忽略它们。请参见open() functionerrors参数：
错误是指定如何处理编码和解码错误的可选字符串-这不能在二进制模式下使用。有多种标准错误处理程序可用，但已注册到codecs.register_error()的任何错误处理名称也是有效的。标准名称为：
'strict'如果存在编码错误，则引发ValueError异常。默认值None具有相同的效果。
'ignore'忽略错误。请注意，忽略编码错误可能会导致数据丢失。
'replace'导致在存在格式错误的数据的位置插入替换标记(如'?')。
'surrogateescape'将把任何不正确的字节表示为Unicode专用区域中的代码点，范围从U+DC80到U+DCFF。当在写入数据时使用surrogateescape错误处理程序时，这些私有代码点将被转换回相同的字节。这对于处理未知编码的文件很有用。
'xmlcharrefreplace'仅在写入文件时支持。编码不支持的字符将替换为相应的XML字符引用&#nnn;。
'backslashreplace'(仅在书写时支持)将不受支持的字符替换为Python的带反斜杠的转义序列。
因此使用errors='ignore'打开文件将不会写入Emoji代码点，而不是引发错误：
with open(filename, 'w', errors='ignore') as outfile:
outfile.write(yourdata)
演示：
>>> a_ok = 'The U+1F44C OK HAND SIGN codepoint: U0001F44C'
>>> print(a_ok)
The U+1F44C OK HAND SIGN codepoint:
>>> a_ok.encode('utf8')
b'The U+1F44C OK HAND SIGN codepoint: xf0x9fx91x8c'
>>> a_ok.encode('cp1251', errors='ignore')
b'The U+1F44C OK HAND SIGN codepoint: '
>>> a_ok.encode('cp1251', errors='replace')
b'The U+1F44C OK HAND SIGN codepoint: ?'
>>> a_ok.encode('cp1251', errors='xmlcharrefreplace')
b'The U+1F44C OK HAND SIGN codepoint: 👌'
>>> a_ok.encode('cp1251', errors='backslashreplace')
b'The U+1F44C OK HAND SIGN codepoint: \U0001f44c'
请注意，'surrogateescape'选项的空间有限，实际上仅对解码未知编码的文件非常有用；它在任何情况下都无法处理Emoji。