Python行文件迭代和奇怪的字符

Question

我有一个巨大的压缩文本文件，我需要逐行阅读。我同意以下内容：

for i, line in enumerate(codecs.getreader('utf-8')(gzip.open('file.gz'))):
  print i, line

在文件后期的某个时刻，python 输出与文件不同。这是因为 python 认为是换行符的奇怪特殊字符导致行被破坏。当我在“vim”中打开文件时，它们是正确的，但可疑字符的格式很奇怪。我可以做些什么来解决这个问题吗？

我尝试过其他编解码器，包括 utf-16、latin-1。我也尝试过不使用编解码器。

我使用“od”查看了该文件。果然，不该出现的地方出现了\n字符。但是，“错误”的字符前面有一个奇怪的字符。我认为这里有一些编码，其中一些字符是 2 字节，但如果没有正确查看，尾随字节是 \n 。

根据“od -h file”，有问题的字符是“1d1c”。

如果我替换：

gzip.open('file.gz')

为：

os.popen('zcat file.gz')

它工作正常（实际上，速度更快）。但是，我想知道我哪里错了。

Answer 1

在没有编解码器的情况下重试。以下重现了使用编解码器时的问题，以及不使用编解码器时不会出现的问题：

import gzip 
import os 
import codecs 

data = gzip.open("file.gz", "wb") 
data.write('foo\x1d\x1cbar\nbaz') 
data.close() 

print list(codecs.getreader('utf-8')(gzip.open('file.gz'))) 
print list(os.popen('zcat file.gz')) 
print list(gzip.open('file.gz')) 

输出：

[u'foo\x1d', u'\x1c', u'bar\n', u'baz']
['foo\x1d\x1cbar\n', 'baz']
['foo\x1d\x1cbar\n', 'baz']

Answer 2

我问（在评论中）“”“向我们展示 print repr(weird_special_characters) 的输出。当你在 vim 中打开文件时，什么是正确的？请比“奇怪的格式”更精确。“”“但什么都没有：- （

您正在使用 od 查看什么文件？file.gz？？如果您可以在其中看到任何可识别的内容，则它不是 gzip 文件！您没有看到换行符，您看到包含 0x0A 的二进制字节。

如果原始文件是 utf-8 编码的，那么使用其他编解码器尝试它有什么意义？

“与 zcat 兼容”是否意味着您无需 utf8 解码步骤即可获得可识别的数据 ？ ??

我建议您简化代码，一次一步地执行...例如，参见 这个问题。再试一次，请显示您运行的确切代码，并在描述结果时使用 repr()。

更新 看来 DS 已经猜到了您试图解释 \x1c 和 \x1d 的内容。

以下是关于为什么会发生这种情况的一些注释：

在 ASCII 中，换行时仅考虑 \r 和 \n：

>>> import pprint
>>> text = ''.join('A' + chr(i) for i in range(32)) + 'BBB'
>>> print repr(text)
'A\x00A\x01A\x02A\x03A\x04A\x05A\x06A\x07A\x08A\tA\nA\x0bA\x0cA\rA\x0eA\x0fA\x10
A\x11A\x12A\x13A\x14A\x15A\x16A\x17A\x18A\x19A\x1aA\x1bA\x1cA\x1dA\x1eA\x1fBBB'
>>> pprint.pprint(text.splitlines(True))
['A\x00A\x01A\x02A\x03A\x04A\x05A\x06A\x07A\x08A\tA\n', # line break
 'A\x0bA\x0cA\r', # line break
 'A\x0eA\x0fA\x10A\x11A\x12A\x13A\x14A\x15A\x16A\x17A\x18A\x19A\x1aA\x1bA\x1cA\x
1dA\x1eA\x1fBBB']
>>>

但是在 Unicode 中，字符 \x1D（文件分隔符）、\x1E（组分隔符）和 \x1E （记录分隔符）也有资格作为行结束：

>>> text = u''.join('A' + unichr(i) for i in range(32)) + u'BBB'
>>> print repr(text)
u'A\x00A\x01A\x02A\x03A\x04A\x05A\x06A\x07A\x08A\tA\nA\x0bA\x0cA\rA\x0eA\x0fA\x10A\x11A\x12A\x13A\x14A\x15A\x16A\x17A\x18A\x19A\x1aA\x1bA\x1cA\x1dA\x1eA\x1fBBB'
>>> pprint.pprint(text.splitlines(True))
[u'A\x00A\x01A\x02A\x03A\x04A\x05A\x06A\x07A\x08A\tA\n', # line break
 u'A\x0bA\x0cA\r', # line break
 u'A\x0eA\x0fA\x10A\x11A\x12A\x13A\x14A\x15A\x16A\x17A\x18A\x19A\x1aA\x1bA\x1c', # line break
 u'A\x1d', # line break
 u'A\x1e', # line break
 u'A\x1fBBB']
>>>

无论您使用什么编解码器，都会发生这种情况。您仍然需要弄清楚需要使用什么（如果有）编解码器。您还需要确定原始文件是否真的是文本文件而不是二进制文件。如果是文本文件，则需要考虑文件中\x1c和\x1d的含义。