我对编解码器真的很困惑。打开功能。当我这样做的时候:

file = codecs.open("temp", "w", "utf-8")
file.write(codecs.BOM_UTF8)
file.close()

它给出了误差

UnicodeDecodeError: 'ascii'编解码器不能解码字节0xef位置 0:序数不在范围(128)

如果我这样做:

file = open("temp", "w")
file.write(codecs.BOM_UTF8)
file.close()

它工作得很好。

问题是为什么第一种方法失败了?如何插入bom?

如果第二种方法是正确的方法,那么使用编解码器有什么意义呢?打开(文件名,"w", "utf-8")?


当前回答

阅读以下内容:http://docs.python.org/library/codecs.html#module-encodings.utf_8_sig

这样做

with codecs.open("test_output", "w", "utf-8-sig") as temp:
    temp.write("hi mom\n")
    temp.write(u"This has ♭")

生成的文件是包含预期BOM的UTF-8。

其他回答

我使用file *nix命令将一个未知字符集文件转换为utf-8文件

# -*- encoding: utf-8 -*-

# converting a unknown formatting file in utf-8

import codecs
import commands

file_location = "jumper.sub"
file_encoding = commands.getoutput('file -b --mime-encoding %s' % file_location)

file_stream = codecs.open(file_location, 'r', file_encoding)
file_output = codecs.open(file_location+"b", 'w', 'utf-8')

for l in file_stream:
    file_output.write(l)

file_stream.close()
file_output.close()

用这个很简单。不需要任何库。

with open('text.txt', 'w', encoding='utf-8') as f:
    f.write(text)

我认为问题在于编解码器。BOM_UTF8是一个字节字符串,而不是Unicode字符串。我怀疑文件处理程序试图根据“我打算将Unicode编写为utf -8编码的文本,但您给了我一个字节字符串!”来猜测您的真正意思!

尝试直接为字节顺序标记(即Unicode U+FEFF)编写Unicode字符串,以便文件将其编码为UTF-8:

import codecs

file = codecs.open("lol", "w", "utf-8")
file.write(u'\ufeff')
file.close()

(这似乎给出了正确的答案-一个文件字节EF BB BF。)

编辑:S. Lott建议使用“utf-8-sig”作为编码,这比自己显式地编写BOM更好,但我将把这个答案留在这里,因为它解释了之前的错误。

阅读以下内容:http://docs.python.org/library/codecs.html#module-encodings.utf_8_sig

这样做

with codecs.open("test_output", "w", "utf-8-sig") as temp:
    temp.write("hi mom\n")
    temp.write(u"This has ♭")

生成的文件是包含预期BOM的UTF-8。

@S-Lott给出了正确的过程,但在Unicode问题上展开,Python解释器可以提供更多的见解。

Jon Skeet对codecs模块的看法是正确的(不寻常)——它包含字节字符串:

>>> import codecs
>>> codecs.BOM
'\xff\xfe'
>>> codecs.BOM_UTF8
'\xef\xbb\xbf'
>>> 

选择另一个nit, BOM有一个标准的Unicode名称,它可以输入为:

>>> bom= u"\N{ZERO WIDTH NO-BREAK SPACE}"
>>> bom
u'\ufeff'

它也可以通过unicodedata访问:

>>> import unicodedata
>>> unicodedata.lookup('ZERO WIDTH NO-BREAK SPACE')
u'\ufeff'
>>>