Python - 使用 BOM 解码 UTF-16 文件

Question

我有一个 UTF-16 LE文件 BOM .我想将此文件转换为不带 BOM 的 UTF-8，以便我可以使用 Python 对其进行解析。

我使用的常用代码没有成功，它返回未知字符而不是实际文件内容。

f = open('dbo.chrRaces.Table.sql').read()
f = str(f).decode('utf-16le', errors='ignore').encode('utf8')
print f

解码此文件以便我可以使用 f.readlines() 解析它的正确方法是什么？

Answer 1

首先，你应该以二进制模式阅读，否则事情会变得困惑。

然后，检查并删除 BOM，因为它是文件的一部分，但不是实际文本的一部分。

import codecs
encoded_text = open('dbo.chrRaces.Table.sql', 'rb').read()    #you should read in binary mode to get the BOM correctly
bom = codecs.BOM_UTF16_LE                                      #print dir(codecs) for other encodings
assert encoded_text.startswith(bom)                           #make sure the encoding is what you expect, otherwise you'll get wrong data
encoded_text = encoded_text[len(bom):]                         #strip away the BOM
decoded_text = encoded_text.decode('utf-16le')                 #decode to unicode

在完成所有解析/处理之前不要编码(到 utf-8 或其他方式)。您应该使用 unicode 字符串完成所有这些操作。

另外，decode 上的 errors='ignore' 可能不是一个好主意。考虑一下更糟糕的情况:让您的程序告诉您出现错误并停止，或者返回错误数据？