Question

如何将os.listdir的输出转换为bytes列表（来自Unicode str列表）？即使文件名是无效的UTF-8，它也必须工作，例如：

$ locale
LANG=
LANGUAGE=
LC_CTYPE=en_US.UTF-8
LC_NUMERIC="POSIX"
LC_TIME="POSIX"
LC_COLLATE="POSIX"
LC_MONETARY="POSIX"
LC_MESSAGES="POSIX"
LC_PAPER="POSIX"
LC_NAME="POSIX"
LC_ADDRESS="POSIX"
LC_TELEPHONE="POSIX"
LC_MEASUREMENT="POSIX"
LC_IDENTIFICATION="POSIX"
LC_ALL=
$ python3
Python 3.4.0 (default, Apr 11 2014, 13:05:11) 
[GCC 4.8.2] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import os
>>> open(b'\x80', 'w')
<_io.TextIOWrapper name=b'\x80' mode='w' encoding='UTF-8'>
>>> os.listdir('.')
['\udc80']
>>> import sys
>>> [fn.encode(sys.getfilesystemencoding()) for fn in os.listdir('.')]
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "<stdin>", line 1, in <listcomp>
UnicodeEncodeError: 'utf-8' codec can't encode character '\udc80' in position 0: surrogates not allowed
>>> [... for fn in os.listdir('.')]
[b'\x80']

那么我需要写上面的...以使其有效？

请注意，在这种情况下，不能重命名文件，使用Python 2.x或使用纯ASCII文件名。我不是在寻找解决方法，我正在寻找代码来代替...。

Answer 1

使用错误处理程序;在这种情况下，surrogateescape错误处理程序看起来合适：

价值： 'surrogateescape'
含义： On decoding, replace byte with individual surrogate code ranging from U + DC80 to U + DCFF . This code will then be turned back into the same byte when the＆＃39; surrogateescape＆＃39;`编码数据时使用错误处理程序。（有关详情，请参阅PEP 383。）

os.fsencode() utility function使用后一种选择;当适用于您的操作系统时，它使用代理转义错误处理程序编码为sys.getfilesystemencoding()：

使用'surrogateescape'错误处理程序将文件名编码为文件系统编码，或在Windows上编译'strict';返回bytes不变。

实际上，只有当文件系统编码为'strict'时，它才会使用mbcs，请参阅os module source，这是一种仅适用于Windows的编解码器。

演示：

>>> import sys
>>> ld = ['\udc80']
>>> [fn.encode(sys.getfilesystemencoding()) for fn in ld]
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "<stdin>", line 1, in <listcomp>
UnicodeEncodeError: 'utf-8' codec can't encode character '\udc80' in position 0: surrogates not allowed
>>> [fn.encode(sys.getfilesystemencoding(), 'surrogateescape') for fn in ld]
[b'\x80']
>>> import os
>>> [os.fsencode(fn) for fn in ld]
[b'\x80']

Answer 2

>>> [os.fsencode(fn) for fn in os.listdir('.')]
[b'\x80']

另一方面也有相应的os.fsdecode转换。

文档：https://docs.python.org/3/library/os.html#os.fsencode

Answer 3

如果您只想要来自os.listdir的文件名（以字节为单位），则它具有该选项。来自docs：

路径可以是str类型，也可以是bytes类型。如果 path 的类型为bytes，则返回的文件名也将为bytes;在所有其他情况下，它们将是str类型。

如何将带有无效UTF-8字符的文件名转换回字节？

3 个答案: