Python 2.7的tarfile模块处理非UTF-8文件名报错如何忽略编码错误？

你遇到的UnicodeDecodeError报错是因为Python 2.7的tarfile模块默认使用UTF-8解码压缩包内的文件名，当文件名采用GBK、GB2312、Shift-JIS等其他编码时就会解码失败。另外你当前代码中使用的errors='surrogateescape'参数仅支持Python 3.1及以上版本，在Python 2.7环境下不会生效。 #

可用解决方案 #

方案1：指定对应文件名编码 #

如果已知压缩包的文件名编码（比如Windows环境打包的tar包大多使用GBK编码），直接在打开文件时传入对应编码即可：

# 示例为GBK编码场景，可根据实际情况替换为对应编码
tar_obj = tarfile.open(infile, 'r', encoding='gbk')

方案2：强制忽略解码错误（适配未知编码场景） #

如果不清楚压缩包的文件名编码，可通过errors='ignore'参数丢弃无法解码的字节，避免报错中断执行：

tar_obj = tarfile.open(infile, 'r', encoding='utf-8', errors='ignore')

方案3：手动处理原始文件名（兼容性最高） #

如果忽略编码后仍出现提取失败、文件名乱码等问题，可手动处理文件名的原始字节，兼容多编码场景：

if tar_flag:
    tar_obj = tarfile.open(infile, 'r')
    try:
        member_list = tar_obj.getmembers()
        for member in member_list:
            if member.isfile():
                # 优先尝试GBK解码，失败后再用UTF-8忽略错误解码，可根据实际场景调整顺序
                try:
                    file_name = member.name.decode('gbk')
                except UnicodeDecodeError:
                    file_name = member.name.decode('utf-8', errors='ignore')
                if file_name.lower().endswith('.exe'):
                    # 直接传入member对象而非解码后的文件名，避免匹配失败
                    tar_obj.extract(member, path='/home/tar/')
                    print 'extracting {}'.format(file_name)
    except Exception as err:
        print err

注意事项 #

• Python 2.7环境下不要使用surrogateescape作为错误处理参数，该特性仅在Python 3中可用
• 提取后文件名存在乱码时，优先确认压缩包制作时的操作系统默认编码，对应修改解码规则即可
• 调用extract方法时优先传入member对象，不要传入解码后的文件名，避免因编码不匹配导致找不到对应文件

内容的提问来源于stack exchange，提问作者Bruce Banner