我的文件包含一些数据（从this PDF的“您将学习的内容”部分复制和粘贴的文本）。首先，我已成功将文件中的内容转换为位。但是，当我尝试将其转换回原始格式时，某些字符未正确转换，如下所示：
思科 开发了思科开放式网络环境（ONE） 架构作为一种多方面的网络方法 可编程性贯穿三大支柱：
??）É¥Í？н?? AA±¥2 N¥½¸ÁɽÉ？μμ¥¹？¥¹Ñ？É???我？¡A％̤？）？áÁ½Í??¥É3 N±ä½ ¸Íݥѡ????????????????????????????????????????????????????????????????????????????????????????????????????? ÷VäfÆ÷r6öçG＆amp;öÆÆW“æB÷VäfÆ÷r |vVçG0¨？HÝZ]HÙ??ÙXÝÈÈ[]？\ ?? \ X [Ý？\？^ \Ë？\ X [？Ù\？XÙ\Ë[ ?? \ UY \？UHU？Ú\ Y'] [U 2 O \ X？[] Y \ E [2 H 6] HU [
正如您在此处所见，某些字符已成功转换，而其他字符则未转换。
我的代码如下：
file = open("test.txt",'r')
myfile = ''.join(map(str,file))
l = []
for i in myfile:
asc11 = ord(i)
b = "{0:08b}".format(asc11)
l.extend(int(y) for y in b)
string_bin = ''.join(map(str,l))
mydata = ''.join(chr(int(string_bin[i:i+8], 2)) for i in range(0,len(string_bin), 8))
print(mydata)
我的代码有什么问题？我需要改变什么才能使其正常工作？
答案 0 :(得分：1)
您遇到编码问题，因为PDF中的某些字符是非ASCII字符。例如，项目符号点为U+2022，需要3 bytes of storage。
当Python从您的文件中读取时，它不知道您用于编写该数据的编码。因此，它从文件中读取bytes并使用字符编码将它们转换为使用Python自己的内部unicode格式存储的str。 （这与Python 2不同，其中open()返回存储在str中的原始字节，然后您可以手动将其解码为unicode。）
因此，在Python 3中，open()接受一个名为encoding的参数。例如open("test.txt",'r', encoding='ascii')。由于您在致电open()时未指定编码，因此最终使用系统的默认编码。例如，在我的笔记本电脑上，默认编码为CP1252（LATIN-1）。你的可能会有所不同。
无论Python使用什么编码来解释您的文件，它都会在内部使用它自己的unicode格式来存储您的字符串。这意味着您的字符串可能在内部使用多字节字符，即使原始编码不是。例如，我的笔记本电脑使用CP1252将U+2022解释为•，其内部存储为U+00e2，U+20AC和U+00A2 - €为使用多字节字符存储，即使它只是原始文件中的一个字节。
假设您的计算机是理智的并且默认使用UTF-8（对于许多多字节字符，此解释类似）。当您到达项目符号点时，它将存储为U+2022。当您致电ord('\u2022')时，结果为8226。当您再致电"{0:08b}".format(8226)时，会返回"10000000100010"。那是一个 14个字符字符串。您的解析代码假定所有序数都会生成 8个字符字符串。因此，“二进制”输出变得不对齐。这意味着当你用8个字符的段解析二进制字符串时，它会被抛弃并开始将事物解释为控制字符和各种外语字符。
如果你调用open(..., encoding='ascii')，Python实际上会抛出异常，因为它会读取无效的ASCII字符。
我不确定为什么要将输入字符串转换为您正在使用的表示形式。这不是二元的，正如你的问题标题所暗示的那样。相反，您已将数据转换为其二进制编码的文本表示。
从技术上讲，当您将编码文本存储到文件时，它会使用二进制表示形式存储。 Python和任何文本编辑器必须先将这些字节解码为它的内部字符表示，然后才能将它们显示为文本。因此，调用open("test.txt", "r", encoding="utf-8")从文本文件中读取二进制数据并将其转换为Python的内部unicode格式。同样，调用myfile.encode('utf-8')将返回UTF-8编码的bytes，然后可以将其写入文件，网络套接字，等。
但是，如果您确实需要使用与当前使用的格式类似的格式，首先，我建议您在调用open()时指定编码（我建议使用UTF-8）。然后你可以考虑这些选项：
"{0:032b}".format(asc11)然后以32个字符的块解析结果。它的内存和存储效率低下，但它会保留多字节字符。无论如何，我强烈建议您阅读Dive Into Python 3 chapter about strings。