Question

我有一些文件包含一堆不同类型的二进制数据，我正在编写一个模块来处理这些文件。

除此之外，它还包含以下格式的UTF-8编码字符串：2字节大端 stringLength （我使用struct.unpack（）解析）然后是字符串。由于它是UTF-8，字符串的字节长度可能大于 stringLength ，如果字符串包含多字节字符，则读取（stringLength）会变短（更不用说搞乱所有字符串了）文件中的其他数据）。

如何从文件中读取 n UTF-8字符（与 n 字节不同），知道UTF-8的多字节属性？我一直在谷歌搜索半小时，我发现的所有结果要么不相关，要么做出我无法做出的假设。

Answer 1

给定文件对象和许多字符，您可以使用：

# build a table mapping lead byte to expected follow-byte count
# bytes 00-BF have 0 follow bytes, F5-FF is not legal UTF8
# C0-DF: 1, E0-EF: 2 and F0-F4: 3 follow bytes.
# leave F5-FF set to 0 to minimize reading broken data.
_lead_byte_to_count = []
for i in range(256):
    _lead_byte_to_count.append(
        1 + (i >= 0xe0) + (i >= 0xf0) if 0xbf < i < 0xf5 else 0)

def readUTF8(f, count):
    """Read `count` UTF-8 bytes from file `f`, return as unicode"""
    # Assumes UTF-8 data is valid; leaves it up to the `.decode()` call to validate
    res = []
    while count:
        count -= 1
        lead = f.read(1)
        res.append(lead)
        readcount = _lead_byte_to_count[ord(lead)]
        if readcount:
            res.append(f.read(readcount))
    return (''.join(res)).decode('utf8')

测试结果：

>>> test = StringIO(u'This is a test containing Unicode data: \ua000'.encode('utf8'))
>>> readUTF8(test, 41)
u'This is a test containing Unicode data: \ua000'

Answer 2

UTF-8中的一个字符可以是1byte，2bytes，3byte3。

如果必须逐字节读取文件，则必须遵循UTF-8编码规则。 http://en.wikipedia.org/wiki/UTF-8

大多数情况下，您只需将编码设置为utf-8，然后读取输入流。

您无需关心已阅读的字节数。

从二进制文件中读取UTF-8字符串

2 个答案: