【问题】
python中已获取网页：
http://blog.csdn.net/hfahe/article/details/5494895
的html源码，其时UTF-8编码的。
提取出其标题部分：
<span class="link_title"><a href="/hfahe/article/details/5494895">
在2008 Beijing Perl 大会的演讲-使用Mason开发高性能的Web站点
</a></span>中的标题文字：
| 在2008 Beijing Perl 大会的演讲-使用Mason开发高性能的Web站点 |
然后用：
| titleUni = unicode(titleHtml, “UTF-8”); |
或
| titleUni = titleHtml.decode(“UTF-8”); |
将其解码成Unicode，但是却会出错：
| UnicodeEncodeError: ‘gbk’ codec can’t encode character u’\u200e’ in position 43: illegal multibyte sequence |
【解决过程】
1.Python的编码问题，GB18030，UTF-8，Unicode等问题，之前遇到过很多次了，也就解决了。此处很奇怪的是，
类似的其他的网页，比如：
http://blog.csdn.net/v_july_v/article/details/6543438
http://blog.csdn.net/v_july_v/article/details/5934051
等，对应提取出来的内容，都是可以正常解码为Unicode的。
因为本身其编码的确是Utf-8的。
2.去试了试用chardet.detect分析其真正编码的，得到的结果是：
| encInfo= {‘confidence’: 0.99, ‘encoding’: ‘utf-8’} |
也是和其他网页内容得到的结果是一样的。
3.此问题觉得很诡异的是，本身调用UTF-8去decode，但是解码出错却提示的是GBK的，而不是UTF-8相关解码出错。
4.找了些其他帖子:
Python UnicodeEncodeError:illegal multibyte sequence
但是讨论的都是关于从Unicode编码为GBK或GB2312，然后出错的。
而我这里的错误是，本身内容是UTF-8的，然后想要还原为Unicode，结果却提示GBK解码错误的。。。
5.这里：探索UTF-8中文编码的BOM标记问题提到了，可能是由于UTF-8的BOM造成的不能正常解码，所以试着去将返回的html导出为html文件，然后用Notepad++查看，结果还是没看出是否有BOM，反正是文字内容，都可以查看到的。
然后也试了类似代码：
| titleUni = titleHtml[1:].decode(“UTF-8”); titleUni = titleHtml[2:].decode(“UTF-8”); |
但是都还是不行。
后来在这里也看到了，关于UTF-8的BOM的问题的解释，但同样不是我要的。
6.在这里：Python Unicode与中文处理(文摘)，看到了：
s.decode(‘gbk’, ‘ignore’).encode(‘utf-8′)
然后才想起来，之前是看到过类似的解释，即添加ignore来忽略非法的字符，然后又参考：
然后去找了对应语法：
str.decode([encoding[, errors]])
Decodes the string using the codec registered for encoding. encoding defaults to the default string encoding. errors may be given to set a different error handling scheme. The default is 'strict', meaning that encoding errors raise UnicodeError. Other possible values are 'ignore', 'replace' and any other name registered via codecs.register_error(), see section Codec Base Classes.
New in version 2.2.
Changed in version 2.3: Support for other error handling schemes added.
Changed in version 2.7: Support for keyword arguments added.
试了：
| titleUni = titleHtml.decode(“UTF-8”, ‘ignore’); |
和：
| titleUni = titleHtml.decode(“UTF-8”, ‘replace’); |
但是结果仍是：
| print “titleUni=”,titleUni; |
会出现上述“’gbk’ codec can’t encode”的错误。
但是后来无意间发现，在打印titleUni之前，添加了一行调试代码：
| print “len(titleUni)=”,len(titleUni); |
却是可以正常打印的，这就说明，此处的titleUni变量，正常解码为Unicode的值了，即上述decode是正常的。
然后又重新试了试，之前的：
| titleUni = titleHtml.decode(“UTF-8”); |
结果也是一样的，即print “len(titleUni)=”,len(titleUni);也是可以正常输出的。
然后此时才明白，原来出现’gbk’ codec can’t encode”的错误的根本原因是，对于前面的，不论是用
titleHtml.decode(“UTF-8”);
还是
titleHtml.decode(“UTF-8”, ‘ignore’);
还是
titleHtml.decode(“UTF-8”, ‘replace’);
都是可以得到正常的titleUni的Unicode字符的，然后对于此Unicode的字符，需要print出来的话，由于本地系统是Win7中的cmd，默认codepage是CP936，即GBK的编码，所以需要先将上述的Unicode的titleUni先编码为GBK，然后再在cmd中显示出来，然后由于titleUni中包含一些GBK中无法显示的字符，导致此时提示“’gbk’ codec can’t encode”的错误的。
【总结】
对于此（类）问题：
(1)出现UnicodeEncodeError –> 说明是Unicode编码时候的问题；
(2) ‘gbk’ codec can’t encode character –> 说明是将Unicode字符编码为GBK时候出现的问题；
此时，往往最大的可能就是，本身Unicode类型的字符中，包含了一些无法转换为GBK编码的一些字符。
解决办法是：
- 方案1：
在对unicode字符编码时，添加ignore参数，忽略无法无法编码的字符，这样就可以正常编码为GBK了。
对应代码为：
| gbkTypeStr = unicodeTypeStr.encode(“GBK“, ‘ignore’); |
- 方案2：
或者，将其转换为GBK编码的超集GB18030 （即，GBK是GB18030的子集）：
| gb18030TypeStr = unicodeTypeStr.encode(“GB18030“); |
对应的得到的字符是GB18030的编码。
【题外话】
对于上述中，将原先的utf-8的字符转换为Unicode的时候，其实更加安全的做法，也可以将：
titleUni = titleHtml.decode(“UTF-8”);
替换为：
titleUni = titleHtml.decode(“UTF-8”, ‘ignore’);
这样可以实现，即使对于那些，相对来说是无关紧要的一些特殊字符，也可以成功编码，避免编码出错，提高程序的健壮性。
【后记 2012-12-01】
后来，专门花精力，总结了最常见的一些类型，感兴趣的可以去看看：
【总结】Python 2.x中常见字符编码和解码方面的错误及其解决办法
转载请注明：在路上 » 【已解决】UnicodeEncodeError: ‘gbk’ codec can’t encode character u’\u200e’ in position 43: illegal multibyte sequence