Запись в файл UTF-8 в Python

Я действительно смущен с codecs.open function. Когда я это сделаю:

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

Это дает мне ошибку

UnicodeDecodeError: кодек 'ascii' не может декодировать байт 0xef в позиции 0: порядковый не в диапазоне (128)

Если я это сделаю:

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

Он отлично работает.

Вопрос, почему первый метод терпит неудачу? И как мне вставить бомбу?

Если второй метод является правильным способом его выполнения, то какой смысл использовать codecs.open(filename, "w", "utf-8")?

Ответ 1

Я считаю, что проблема заключается в том, что codecs.BOM_UTF8 является байтовой строкой, а не строкой Unicode. Я подозреваю, что обработчик файлов пытается угадать, что вы на самом деле имеете в виду на основе "Я должен писать Unicode как текст в кодировке UTF-8, но вы дали мне строку байтов!"

Попробуйте записать строку Unicode для значка порядка байтов (например, Unicode U + FEFF), так что файл просто кодирует это как UTF-8:

import codecs

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

(Кажется, это дает правильный ответ - файл с байтами EF BB BF.)

ИЗМЕНИТЬ: S. Lott предложение об использовании "utf-8-sig", поскольку кодировка лучше, чем прямое написание спецификации самостоятельно, но я буду оставьте этот ответ здесь, поскольку он объясняет, что было неправильно.

Ответ 2

Прочитайте следующее: http://docs.python.org/library/codecs.html#module-encodings.utf_8_sig

Сделайте это

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

В результате файл UTF-8 с ожидаемой спецификацией.

Ответ 3

@S-Lott дает правильную процедуру, но при расширении по проблемам Unicode интерпретатор Python может предоставить больше информации.

Джон Скит прав (необычно) о codecs module - он содержит строки байтов:

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

При выборе другого nit, BOM имеет стандартное имя Unicode, и его можно ввести как:

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

Он также доступен через unicodedata:

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

Ответ 4

Я использую команду file * nix для преобразования неизвестного файла charset в файл utf-8

# -*- 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()