草庐IT

Python 编解码器行结尾

coder 2023-08-24 原文

似乎 Python 的 UTF-8 编码(codecs 包)将 Unicode 字符 28、29 和 30 解释为行尾。为什么？我怎样才能阻止它这样做？

示例代码:

with open('unicodetest.txt', 'w') as f:
  f.write('a'+chr(28)+'b'+chr(29)+'c'+chr(30)+'d'+chr(31)+'e')
with open('unicodetest.txt', 'r') as f:
  for i,l in enumerate(f):
    print i, l
# prints "0 abcde" with special characters in between.

这里的要点是，它按照我的预期将其读作一行。现在，当我使用 codecs 以 UTF-8 读取它时，它会将它解释为多行。

import codecs
with codecs.open('unicodetest.txt', 'r', 'UTF-8') as f:
  for i,l in enumerate(f):
    print i, l
# 0 a
# 1 b
# 2 c
# 3 de
# (again with the special characters after each a, b, c, d

字符 28 到 31 被描述为“信息分隔符四”到“一”(按此顺序)。有两件事让我印象深刻:1) 28 到 30 被解释为行结束，2) 31 不是。这是有意的行为吗？我在哪里可以找到哪些字符被解释为行尾的定义？有没有办法不将它们解释为行结束？

谢谢。

edit 忘记复制 codecs.open 中的“UTF-8”参数。我问题中的代码现已更正。

最佳答案

这是一个很好的问题。

使用 open() 或 codecs.open() 打开文件会有所不同。前者根据字节串​​进行操作。后者根据 Unicode 字符串进行操作。在 Python 中，这些 behave differently .

同样的问题出现在 Python Issue 7643, What is a Unicode line break character? . 的讨论和引用 Unicode Character Database ，令人着迷。 Issue 7643 还提供了这个简洁的代码片段来演示差异:

for s in '\x0a\x0d\x1c\x1d\x1e':
  print u'a{}b'.format(s).splitlines(1), 'a{}b'.format(s).splitlines(1)

归根结底就是这个。

为了判断字节串中的字节是否为换行符(或空格)，Python使用ASCII control characters的规则.按照这个标准，字节 10 和 13 是换行符(Python 将字节 13 后跟字节 10 视为单个换行符)。

但是要判断 Unicode 字符串中的字符是否为换行符，Python 遵循 Unicode Character Database 的字符分类。 ，记录在 UAX #44 , 和 UAX #14 Line Breaking Algorithm, section 5 Line Breaking Properties .根据 Issue 7643，这些文档确定了三个字符属性，这些属性将一个字符标识为 Python 的换行符:

  • 通用类别 Zl“行分隔符”
  • 通用类别 Zp“段落分隔符”
  • 双向 B 类“段落分隔符”

字符 28 (0x001C)、29 (0x001D) 和 30 (0x001E) 具有这些字符属性。字符 31 (0x001F) 没有。为什么？这是 Unicode 技术委员会的问题。但在 ASCII 中，这些字符被称为“文件分隔符”、“组分隔符”、“记录分隔符”和“单元分隔符”。使用带制表符的文本数据文件作为比较，前三个表示至少与换行符一样多的分隔，而第四个可能类似于制表符。

您可以在 Objects/unicodeobject.c 中看到将这三个 Unicode 字符实际定义为 Python Unicode 字符串中的换行符的代码。 .查找数组 ascii_linebreak[]。该数组是 unicode.splitlines() 实现的基础. str.splitlines() 的代码不同。我相信，但没有在 Python 源代码中追踪它，用 codecs.open() 打开的文件上的 enumerate() 是根据 unicode.splitlines().

你问，“我怎样才能阻止它这样做？”我看不出有什么方法可以使 splitlines() 的行为有所不同。但是，您可以将文件作为字节流打开，使用 str.splitlines() 行为将行作为字节读取，然后将每一行解码为 UTF-8 以用作 unicode 字符串:

with open('unicodetest.txt', 'r') as f:
  for i,l in enumerate(f):
    print i, l.decode('UTF-8')
# prints "0 abcde" with special characters in between.

我假设您使用的是 Python 2.x，而不是 3.x。我的答案是基于 Python 2.7。

关于Python 编解码器行结尾，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/17273598/

Python编解码器code换行符39unicodeencodingutf-8line-endings

有关Python 编解码器行结尾的更多相关文章

  1. python - 如何使用 Ruby 或 Python 创建一系列高音调和低音调的蜂鸣声？ - 2

    关闭。这个问题是opinion-based.它目前不接受答案。想要改进这个问题？更新问题，以便editingthispost可以用事实和引用来回答它.关闭4年前。Improvethisquestion我想在固定时间创建一系列低音和高音调的哔哔声。例如:在150毫秒时发出高音调的蜂鸣声在151毫秒时发出低音调的蜂鸣声200毫秒时发出低音调的蜂鸣声250毫秒的高音调蜂鸣声有没有办法在Ruby或Python中做到这一点？我真的不在乎输出编码是什么(.wav、.mp3、.ogg等等)，但我确实想创建一个输出文件。

  2. Python 相当于 Perl/Ruby ||= - 2

    这个问题在这里已经有了答案:关闭10年前。PossibleDuplicate:Pythonconditionalassignmentoperator对于这样一个简单的问题表示歉意，但是谷歌搜索||=并不是很有帮助；)Python中是否有与Ruby和Perl中的||=语句等效的语句？例如:foo="hey"foo||="what"#assignfooifit'sundefined#fooisstill"hey"bar||="yeah"#baris"yeah"另外，类似这样的东西的通用术语是什么？条件分配是我的第一个猜测，但Wikipediapage跟我想的不太一样。

  3. java - 什么相当于 ruby​​ 的 rack 或 python 的 Java wsgi？ - 2

    什么是ruby​​的rack或python的Java的wsgi？还有一个路由库。 最佳答案 来自Python标准PEP333:Bycontrast,althoughJavahasjustasmanywebapplicationframeworksavailable,Java's"servlet"APImakesitpossibleforapplicationswrittenwithanyJavawebapplicationframeworktoruninanywebserverthatsupportstheservletAPI.ht

  4. 华为OD机试用Python实现 -【明明的随机数】 2023Q1A - 2

    华为OD机试题本篇题目：明明的随机数题目输入描述输出描述：示例1输入输出说明代码编写思路最近更新的博客华为od2023|什么是华为od，od薪资待遇，od机试题清单华为OD机试真题大全，用Python解华为机试题|机试宝典【华为OD机试】全流程解析+经验分享,题型分享,防作弊指南华为o

  5. python - 如何读取 MIDI 文件、更改其乐器并将其写回？ - 2

    我想解析一个已经存在的.mid文件，改变它的乐器，例如从“acousticgrandpiano”到“violin”，然后将它保存回去或作为另一个.mid文件。根据我在文档中看到的内容，该乐器通过program_change或patch_change指令进行了更改，但我找不到任何在已经存在的MIDI文件中执行此操作的库.他们似乎都只支持从头开始创建的MIDI文件。 最佳答案 MIDIpackage会为您完成此操作，但具体方法取决于midi文件的原始内容。一个MIDI文件由一个或多个音轨组成，每个音轨是十六个channel中任何一个上的

  6. 「Python｜Selenium｜场景案例」如何定位iframe中的元素？ - 2

    本文主要介绍在使用Selenium进行自动化测试或者任务时，对于使用了iframe的页面，如何定位iframe中的元素文章目录场景描述解决方案具体代码场景描述当我们在使用Selenium进行自动化测试的时候，可能会遇到一些界面或者窗体是使用HTML的iframe标签进行承载的。对于iframe中的标签，如果直接查找是无法找到的，会抛出没有找到元素的异常。比如近在咫尺的例子就是，CSDN的登录窗体就是使用的iframe，大家可以尝试通过F12开发者模式查看到的tag_name,class_name,id或者xpath来定位中的页面元素，会抛出NoSuchElementException异常。解决

  7. python ffmpeg 使用 pyav 转换 一组图像 到 视频 - 2

    2022/8/4更新支持加入水印水印必须包含透明图像，并且水印图像大小要等于原图像的大小pythonconvert_image_to_video.py-f30-mwatermark.pngim_dirout.mkv2022/6/21更新让命令行参数更加易用新的命令行使用方法pythonconvert_image_to_video.py-f30im_dirout.mkvFFMPEG命令行转换一组JPG图像到视频时，是将这组图像视为MJPG流。我需要转换一组PNG图像到视频，FFMPEG就不认了。pyav内置了ffmpeg库，不需要系统带有ffmpeg工具因此我使用ffmpeg的python包装p

  8. Python 刷Leetcode题库，顺带学英语单词（31） - 2

    ValidPalindromeGivenastring,determineifitisapalindrome,consideringonlyalphanumericcharactersandignoringcases. [#125]Example:"Aman,aplan,acanal:Panama"isapalindrome."raceacar"isnotapalindrome.Haveyouconsiderthatthestringmightbeempty?Thisisagoodquestiontoaskduringaninterview.Forthepurposeofthisproblem

  9. python - 是否可以使用 Ruby 或 Python 禁用 anchor /引用来发出有效的 YAML？ - 2

    是否可以在PyYAML或Ruby的Psych引擎中禁用创建anchor和引用(并有效地显式列出冗余数据)？也许我在网上搜索时遗漏了一些东西，但在Psych中似乎没有太多可用的选项，而且我也无法确定PyYAML是否允许这样做.基本原理是我必须序列化一些数据并将其以可读的形式传递给一个不是真正的技术同事进行手动验证。有些数据是多余的，但我需要以最明确的方式列出它们以提高可读性(anchor和引用是提高效率的好概念，但不是人类可读性)。Ruby和Python是我选择的工具，但如果有其他一些相当简单的方法来“展开”YAML文档，它可能就可以了。 最佳答案

  10. .net - .NET 将如何影响 Python 和 Ruby 应用程序？ - 2

    我很好奇.NET将如何影响Python和Ruby应用程序。用IronPython/IronRuby编写的应用程序是否会非常特定于.NET环境，以至于它们实际上将变得特定于平台？如果他们不使用任何.NET功能，那么IronPython/IronRuby相对于非.NET同类产品的优势是什么？ 最佳答案 我不能说任何关于IronRuby的东西，但是大多数Python实现(如IronPython、Jython和PyPy)都试图尽可能忠实于CPython实现。不过，IronPython正在迅速成为这方面的佼佼者之一，并且在PlanetPyth

随机推荐