Pyparsing，Python 3和Unicode字节顺序标记

Question

我有一个UTF-8编码的文本文件，其中包含字节顺序标记 - 也就是说，前几个字节是EF BB BF 0D 0A 4D...（它是VS 2013生成的Visual Studio解决方案文件）。

我正在尝试使用parseFile()方法和Python 3来解析PyParsing。在Python 2中，我可以这样做：

import pyparsing as pp
bom = pp.Optional(unicode(unichr(0xfeff)).encode('utf-8')).suppress()

获取可选的字节顺序标记。但是在Python 3中，unicode和unichr函数已经消失，因为所有字符串都是Unicode。所以我尝试了这个：

bom = pp.Optional(chr(0xfeff)).suppress()

和此：

bom = pp.Optional('\ufeff').suppress()

但不匹配文件的开头。我已经谷歌搜索了一段时间，但似乎无法找到任何相关的东西。

如何匹配（或忽略！）Unicode字节顺序标记？

Answer 1

这里的问题似乎是使用parseFile()方法读取文件时使用的默认编码是ASCII，因此UTF-8编码的字节顺序标记不会以{{结尾1}}，最终为ASCII U+FEFF。要解决此问题，您可以显式打开文件并指定编码。而不是：

EF BB BF

这样做：

p.parseFile('filename.sln')

然后可以使用以下解析器跳过字节顺序标记：

p.parseFile(open('filename.sln', encoding='utf-8'))

Answer 2

使用utf_8_sig编码类型打开文件：

p.parseFile(open('filename.sln', encoding='utf_8_sig'))

如果BOM存在，将被禁止。

来自编解码器模块：

  

在编码时，UTF-8编码的BOM将被添加到UTF-8编码的字节之前。对于有状态编码器，这只做一次（在第一次写入字节流时）。对于解码，将跳过数据开头的可选UTF-8编码BOM。