我正在使用 Python 2.6.1 在 Windows 上工作。
我有一个包含单个字符串 Hello 的 Unicode UTF-16 文本文件,如果我在二进制编辑器中查看它,我会看到:
FF FE 48 00 65 00 6C 00 6C 00 6F 00 0D 00 0A 00
BOM H e l l o CR LF
我想做的是读入这个文件,通过 Google Translate API 运行它,然后将它和结果写入一个新的 Unicode UTF-16 文本文件。
我写了下面的 Python 脚本(实际上我写了比这更复杂的东西,有更多的错误检查,但它被简化为一个最小的测试用例):
#!/usr/bin/python
import urllib
import urllib2
import sys
import codecs
def translate(key, line, lang):
ret = ""
print "translating " + line.strip() + " into " + lang
url = "https://www.googleapis.com/language/translate/v2?key=" + key + "&source=en&target=" + lang + "&q=" + urllib.quote(line.strip())
f = urllib2.urlopen(url)
for l in f.readlines():
if l.find("translatedText") > 0 and l.find('""') == -1:
a,b = l.split(":")
ret = unicode(b.strip('"'), encoding='utf-16', errors='ignore')
break
return ret
rd_file_name = sys.argv[1]
rd_file = codecs.open(rd_file_name, encoding='utf-16', mode="r")
rd_file_new = codecs.open(rd_file_name+".new", encoding='utf-16', mode="w")
key_file = open("api.key","r")
key = key_file.readline().strip()
for line in rd_file.readlines():
new_line = translate(key, line, "ja")
rd_file_new.write(unicode(line) + "\n")
rd_file_new.write(new_line)
rd_file_new.write("\n")
这给了我一个几乎是 Unicode 的文件,里面有一些额外的字节:
FF FE 48 00 65 00 6C 00 6C 00 6F 00 0D 00 0A 00 0A 00
20 22 E3 81 93 E3 82 93 E3 81 AB E3 81 A1 E3 81 AF 22 0A 00
我可以看到 20 是一个空格,22 是一个引号,我假设“E3”是 urllib2 用来指示下一个字符是 UTF-16 编码的转义字符??
如果我运行相同的脚本,但使用“cs”(捷克语)而不是“ja”(日语)作为目标语言,则响应全部为 ASCII,我得到的 Unicode 文件首先是 UTF- 16 个字符,然后是单字节 ASCII 字符的“Ahoj”。
我确定我遗漏了一些明显的东西,但我看不到什么。我在查询结果上尝试了 urllib.unquote() 但这没有帮助。我还尝试在 f.readlines() 中返回字符串时打印它,这一切看起来都很合理,但很难判断,因为我的终端窗口不正确支持 Unicode。
还有其他尝试的建议吗?我查看了建议的骗局,但似乎没有一个完全符合我的情况。
最佳答案
我相信 Google 的输出是 UTF-8,而不是 UTF-16。试试这个修复:
ret = unicode(b.strip('"'), encoding='utf-8', errors='ignore')
关于python - 在python中将unicode UTF-16数据写入文件时出现问题,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/5411757/