Question

我正在处理几千个xml文件，并且有一些问题文件。

在每种情况下，它们都包含前导Unicode字符，例如C3 AF C2 BB C2 BF和EF BB BF等。

在所有情况下，该文件仅包含ASCII字符（在标题字节之后），因此不会有数据丢失的风险将它们转换为ASCII。

我不允许更改磁盘上文件的内容，只能将它们用作我脚本的输入。

最简单的是，我很乐意将这些文件转换为ASCII（解析所有输入文件，进行一些更改并写入输出目录，第二个脚本将处理它们。）

我该怎么编码呢？当我尝试：

with open(filePath, "rb") as file:
    contentOfFile = file.read()

unicodeData = contentOfFile.decode("utf-8")
asciiData = unicodeData.encode("ascii", "ignore")

with open(filePath, 'wt')  as file:
    file.write(asciiData)

我收到错误must be str, not bytes。

我也试过

    asciiData = unicodedata.normalize('NFKD', unicodeData).encode('ASCII', 'ignore')

具有相同的结果。我该如何纠正？

或者还有其他方法可以隐藏文件吗？

Answer 1

...
asciiData = unicodeData.encode("ascii", "ignore")

asciiData是字节对象，因为它是编码的。打开文件时需要使用二进制模式而不是文本模式：

with open(filePath, 'wb')  as file:  # <---
    file.write(asciiData)

如何从文件中删除前导Unciode字符？

1 个答案: