Python 编解码器模块

Question

我正在尝试将保存为 UTF-8 的文件加载到包含 14 种不同语言的 python (ver2.6.6) 中。我正在使用 python codecs 模块来解码 txt 文件。

import codecs
f = open('C:/temp/list_test.txt', 'r')
    for lines in f:
        line=filter_str(lines.decode("utf-8")

这一切都很好。我解析整个文件然后想导出 14 种不同的语言文件。我无法理解的问题如下

我使用以下代码进行输出:

malangout = codecs.open("C:/temp/'polish.txt",'w','utf-8','surrogateescape')
    for item in lang_dic['English']:
         temp = lang_dic[lang1][item]
         malangout.write(temp + '\n')
    malangout.close() 

例子:

• 语言:波兰语
• 预期输出:Dziennik zakłóceń
• 实际输出:Dziennik zak‚óceƒ

字符串按原样存储:

u'Dziennik zak\u201a\xf3ce\u0192'

我尝试了 python 文档中的许多编码(7.8 编解码器)。此时任何信息都会有所帮助。

Answer 1

The string is stored as is:

u'Dziennik zak\u201a\xf3ce\u0192'

好吧，这是一个问题，因为

In [25]: print(u'Dziennik zak\u201a\xf3ce\u0192')
Dziennik zak‚óceƒ

相对于

In [26]: print(u'Dziennik zak\u0142\xf3ce\u0144')
Dziennik zakłóceń

看来您存储的 unicode 不正确。你确定它在 C:/temp/list_test.txt 中是正确的吗？即list_test.txt是否包含

In [28]: u'Dziennik zak\u201a\xf3ce\u0192'.encode('utf-8')
Out[28]: 'Dziennik zak\xe2\x80\x9a\xc3\xb3ce\xc6\x92'

或

In [27]: u'Dziennik zak\u0142\xf3ce\u0144'.encode('utf-8')
Out[27]: 'Dziennik zak\xc5\x82\xc3\xb3ce\xc5\x84'

?

---

附言。你可能想改变

temp + '\n'

到

temp + u'\n'

为了清楚起见，您将两个 unicode 加在一起形成一个 unicode。 上面两行在 Python2 中具有相同的结果，但在 Python3 中将 unicode 和 str 一起添加会引发 TypeError。即使在 Python3 中，'\n' 是 unicode，我认为过渡到 Python3 的挑战在于改变一个人对混合 unicode 和 str。在 Python2 中，它是为您默默尝试的，在 Python3 中是不允许的。