python - 使用 Python 和 mutagen 去除 mojibaking

Question

我正在使用 mutagen 读取 mojibaked ID3 标签。我的目标是在学习编码和 Python 对其处理的同时修复 mojibake。

我正在处理的文件有一个 ID3v2 标签，我正在查看它的专辑 (TALB) 帧，这是根据编码字节在 TALB ID3 框架中，以 Latin-1 (ISO-8859-1) 编码。但是，我知道此帧中的字节是用 cp1251(西里尔文)编码的。

到目前为止，这是我的代码:

 >>> from mutagen.mp3 import MP3
 >>> mp3 = MP3(paths[0])
 >>> mp3['TALB']
 TALB(encoding=0, text=[u'\xc1\xf3\xf0\xe6\xf3\xe9\xf1\xea\xe8\xe5 \xef\xeb\xff\xf1\xea\xe8'])

现在，如您所见，mp3['TALB'].text[0] 在这里表示为 Unicode 字符串。然而，它是 mojibaked:

 >>> print mp3['TALB'].text[0]
 Áóðæóéñêèå ïëÿñêè

我在将这些 cp1251 字节转码为正确的 Unicode 代码点方面运气不佳。到目前为止，我最好的成绩非常不合适:

>>> st = ''.join([chr(ord(x)) for x in mp3['TALB'].text[0]]); st
'\xc1\xf3\xf0\xe6\xf3\xe9\xf1\xea\xe8\xe5 \xef\xeb\xff\xf1\xea\xe8'
>>> print st.decode('cp1251')
Буржуйские пляски <-- **this is the correct, demojibaked text!**

据我所知，这种方法之所以有效，是因为我最终将 Unicode 字符串转换为 8 位字符串，然后我可以将其解码为 Unicode，同时指定我解码的编码。

问题是我不能直接对 Unicode 字符串进行decode('cp1251'):

>>> st = mp3['TALB'].text[0]; st
u'\xc1\xf3\xf0\xe6\xf3\xe9\xf1\xea\xe8\xe5 \xef\xeb\xff\xf1\xea\xe8'
>>> print st.decode('cp1251')
Traceback (most recent call last):
  File "<console>", line 1, in <module>
  File "/Users/dmitry/dev/mp3_tag_encode_convert/lib/python2.7/encodings/cp1251.py", line 15, in decode
    return codecs.charmap_decode(input,errors,decoding_table)
UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-9: ordinal not in range(128)

谁能解释一下？我无法理解如何在直接对 u'' 字符串进行操作时使其不解码为 7 位 ascii 范围。

Answer 1

首先，将其编码为您已知的编码方式。

>>> tag = u'\xc1\xf3\xf0\xe6\xf3\xe9\xf1\xea\xe8\xe5 \xef\xeb\xff\xf1\xea\xe8'
>>> raw = tag.encode('latin-1'); raw
'\xc1\xf3\xf0\xe6\xf3\xe9\xf1\xea\xe8\xe5 \xef\xeb\xff\xf1\xea\xe8'

然后你可以用正确的编码解码它。

>>> fixed = raw.decode('cp1251'); print fixed
Буржуйские пляски