Python读取含中文JSON文件出现UnicodeDecodeError怎么解决

一、常见报错现象与成因分析

在日常开发中，许多开发者习惯写出如下两行读取代码：

import json

# 未指定 encoding 参数的简写方式
with open('data.json', 'r') as f:
    data = json.load(f)

在 Linux 或 macOS 系统上，默认编码通常为 UTF-8，上述代码大概率能正常执行；但在中文 Windows 环境下，Python 默认采用系统的 ANSI 代码页（即 cp936 / gbk）。当遇到以 UTF-8 编码保存的中文文本时，控制台便会抛出类似以下的错误：

UnicodeDecodeError: 'gbk' codec can't decode byte 0x80 in position 14: illegal multibyte sequence

中文汉字在 UTF-8 编码下通常占用 3 个字节（例如中文字符“中”的 UTF-8 字节序为 0xE4 0xB8 0xAD），而在 GBK 编码规则中汉字仅占 2 个字节。当 GBK 解码器按两字节一组去解读 UTF-8 字节流时，高位字节与后续字节的组合会破坏 GBK 编码表的有效区间，最终引发“非法多字节序列”崩溃。

二、标准修复方法与完整代码

修复此问题的核心是在内置的 open() 函数中加入 encoding='utf-8' 关键字参数。标准写法如下：

import json

# 明确指定 encoding='utf-8'
with open('data.json', 'r', encoding='utf-8') as f:
    data = json.load(f)

print(data)

特殊情况：带 BOM 的 UTF-8 文件

在 Windows 环境下使用微软“记事本”或部分旧版软件创建并保存为 UTF-8 时，文件开头可能会隐式插入 3 个字节的 BOM（Byte Order Mark，十六进制序列为 \xef\xbb\xbf）。若使用常规 encoding='utf-8' 读取，这 3 个字节会被作为普通字符读入，导致 JSON 解析器在首字符处报出 json.decoder.JSONDecodeError: Expecting value: line 1 column 1 (char 0)。

遇到此类文件，将编码参数改为 encoding='utf-8-sig'。Python 的 utf-8-sig 解码器会自动检测并剔除文件首部的 BOM 标记：

import json

# utf-8-sig 会自动跳过开头的 BOM 标记
with open('data.json', 'r', encoding='utf-8-sig') as f:
    data = json.load(f)

三、编码排查决策路径

当开发者面对来源多样的外部 JSON 数据时，错误信息可能并非固定为 'gbk' codec，有时也会出现 'utf-8' codec can't decode byte ...。这说明原始文件的实际编码并非 UTF-8，而是 ANSI/GBK/GB18030。按照以下决策路径可以快速锁定正确的读取方式：

四、标准化操作流程与关键步骤

为了保证程序在各类操作系统及微服务容器中具备一致的鲁棒性，读取含中文 JSON 文件应遵循严格的 4 步标准化操作流程：

在实际工程代码中，若面临极其动态或复杂的第三方输入，建议封装容错加载函数：

import json

def safe_load_json(file_path):
    # 优先使用 utf-8-sig，兼容标准 UTF-8 以及带 BOM 的 UTF-8
    try:
        with open(file_path, 'r', encoding='utf-8-sig') as f:
            return json.load(f)
    except UnicodeDecodeError:
        # 回退至 gb18030（gb18030 兼容 gbk 与 gb2312 且支持生僻汉字）
        with open(file_path, 'r', encoding='gb18030') as f:
            return json.load(f)

五、容易混淆的误区与注意事项

1. 不要滥用 errors='ignore'： 在 open() 中设置 errors='ignore' 虽然能压制报错，但它是通过直接丢弃无法解析的字节实现的。这将导致中文字符被截断变异、丢失甚至造成后面的双引号错位，使整个 JSON 文档出现语法解析错误。
2. 写入 JSON 时务必搭配 ensure_ascii=False： 读取中文 JSON 只是第一步。如果将数据处理后重新存入 JSON 文件，json.dump() 默认配置了 ensure_ascii=True，会将中文转义为 \u4e2d\u6587 形式。若希望生成可读的中文文件，必须设置 ensure_ascii=False 并指定 encoding='utf-8'：

   with open('output.json', 'w', encoding='utf-8') as f:
       json.dump(data, f, ensure_ascii=False, indent=2)

3. 二进制模式与 json.loads() 的差异： Python 3.6+ 起，json.loads() 支持直接接收 bytes 类型，并会根据 RFC 7159 规范自动检测 UTF-8、UTF-16 或 UTF-32。因此使用二进制读取也是一种避免字符解码器提前干预的途径：

   with open('data.json', 'rb') as f:
       data = json.loads(f.read())  # 仅适用于合法标准的 UTF-8/16/32 格式

六、方案全景对比与速查矩阵

下表归纳了不同场景下读取与保存中文 JSON 的配置组合：