Question

我制作的脚本会在文件的特定位置显示文字。但是，seek（）和read（）的计数方式存在差异。它是这样的。

我的文字文件是：

1
%
2
%
―
%
4
%
5
%
6

＆＃39; - ＆＃39;在第5行是一个水平条（unicode 0x2015）而不是破折号。＆＃39;％＆＃39;作为分隔符。

以下数据用作文件索引

0 2 ['1\n']
4 2 ['2\n']
8 4 ['―\n']
14 2 ['4\n']
18 2 ['5\n']
22 2 ['6\n']

第一列是文件中字符串的位置（数字），第二列是长度，3td是要显示的文本（第1,3,5,7,9,11行中的数字）文本文件）。

我试图在特定位置读取文件，如下所示：

f = open('myfile.txt', 'r', encoding='utf-8')
f.seek(start)
text = f.read(length)
f.close()

其中＆＃39;开始＆＃39;和＆＃39;长度＆＃39;是索引文件的第一列和第二列，＆＃39; text＆＃39;是要显示的文本。这非常适合显示索引文件中除第5个（带有水平条的那个）之外的所有行的内容，因为seek（）将水平条的长度解释为3，因此索引中的总长度为4文件（3为水平条，1为＆＃39; \ n＆＃39;），而read（）将水平线的长度解释为只有一个，从而创建以下输出：

―
%
(blank space)

也就是说，它包括水平条，它的＆＃39; \ n＆＃39;，分隔符及其＆＃39; \ n＆＃39; （四个字）。这种效果是累积的，更多的水平条或任何其他不在utf-8中的unicode字符会增加错误显示的行数。

有关如何解决这个问题的想法吗？

Answer 1

seek始终以字节为单位，^*不是字符，甚至是for files opened in text mode。

否则它无法有效地远程工作 - 否则UTF-8文本文件中的第100个字符可能是字节1,000,000或字节2,739,184，唯一的方法是回到启动并编码999,999个字符。^**

但如果您处于二进制模式，read只读取字节数;在文本模式下，这些字节在运行中被解码为Unicode字符串。（由于您按顺序读取文件，因此通常不会出现性能问题 - 但是当它出现时，您总是会得到二进制模式。）

如果你有一个已知的职位，你希望能够返回，你可以＆＃34;标记＆＃34;它通过以后再调用tell然后调用seek，但除此之外，在文本文件中寻找并不是非常有用，当然除了文件的开头或结尾。

_{*事实上，它甚至没有记录为文本文件的字节;除0或＆＃34之外的任何东西;不透明的数字＆＃34;由tell返回产生＆＃34;未定义的行为＆＃34;。我相信它总会寻找确切的指定字节位置 - 但由于解码器管道的工作方式，即使你没有寻找到字符的中间，这也会导致mojibake，特别是对于使用移位码的编码。为了处理这些情况，tell创建了可以在以后seek恢复的特殊快照，但当然没有文件中某些随机点的快照。}

_{**这并不完全正确 - 您可以在阅读时或在您尝试寻找的时候建立一个抵消表，甚至可以提前阅读。但这绝对不是你希望Python在每个文件上做的事情，只是因为你想通过字符索引寻找的极少数情况;它是你想要专门调整你关心的罕见案例的东西。 linecache模块 - 因为调试器需要它而在标准库中 - 完成大致相同的工作，并且只要忽略有关tokenizer的位，就会附带pretty readable source，所以如果你想构建一个字符索引器自己，它可能是很好的示例代码来开始。}

Answer 2

在python 3中，当您以文本模式打开文件时，例如＆＃34; r＆＃34;，您和原始文件之间有一个解码器。在这种情况下，它的UTF-8解码器。＆＃34;文件位置＆＃34;并不真正有意义，因为文本级别的字符索引与文件中的字节索引不同。另外，python会缓存后台以帮助解码。

解决方案是读取二进制文件并稍后进行解码

f = open('myfile.txt', 'rb')
f.seek(start)
text = f.read(length).decode(encoding='utf-8')
f.close()

python seek（）和read（）以不同的方式计算文件位置

2 个答案: