Question

我需要解析一个文件，该文件具有UTF-16文本标题，然后直接跟随二进制数据。为了能够读取二进制数据，我以“ rb”模式打开文件，然后为了读取标题，将其包装到io.TextIOWrapper（）中。

问题是，当我执行.readline()对象的TextIOWrapper方法时，包装程序向前读取得太远（即使我只请求了一行），然后又遇到了UTF-16遇到二进制部分时出现解码错误：引发UnicodeDecodeError。

但是，我需要对文本数据进行正确的解析，并且不能简单地先进行二进制读取，然后再执行data.find（b“ \ n \ 0”），因为不能保证它实际上以偶数偏移量匹配（可能在字符中间。我想避免自己进行UTF-16解析。

是否有一种简单的方法来告诉TextIOWrapper不提前阅读？

Answer 1

否，您不能使用TextIOWrapper()对象，因为它将从更大的块中而不是仅从行中读取底层缓冲区，因此，是的，它将尝试解码比第一行更早的二进制数据。您无法阻止这种情况。

对于使用\n行定界符的单行文本，您实际上不需要使用TextIOWrapper()。二进制文件仍然支持逐行读取，其中file.readline()将为您提供二进制数据，直到下一个\n字节为止。只需打开文件为二进制文件，然后读取一行即可。

有效的UTF-16数据将始终具有均匀的长度。但是由于UTF-16有两种形式，即大字节序和小字节序，因此您需要检查读取了多少数据以查看使用了哪种字节序，以便有条件地读取应该作为字节一部分的单个字节。第一行数据。如果使用UTF-16 little-endian，则可以保证读取的字节数为奇数，因为换行符编码为09 00而不是00 90，并且.readline()调用将被保留文件流中的单个00字节。在这种情况下，只需再读取一个字节并将其添加到解码之前的第一行数据即可：

with open(filename, 'rb') as binfile:
    firstline = binfile.readline()
    if len(firstline) % 2:
        # little-endian UTF-16, add one more byte
        firstline += binfile.read(1)
    text = firstline.decode('utf-16')

    # read binary data from the file

一个带有io.BytesIO()的演示，我们首先写入UTF-16 little-endian数据（BOM表示解码器的字节顺序），其后是文本，后面是两个低替代序列，这些序列会导致UTF-16解码错误代表“二进制数据”，此后我们再次读取文本和数据：

>>> import io, codecs
>>> from pprint import pprint
>>> binfile = io.BytesIO()
>>> utf16le_wrapper = io.TextIOWrapper(binfile, encoding='utf-16-le', write_through=True)
>>> utf16le_wrapper.write('\ufeff')  # write the UTF-16 BOM manually, as the -le and -be variants won't include this
1
>>> utf16le_wrapper.write('The quick brown  jumps over the lazy \n')
40
>>> binfile.write(b'\xDF\xFF\xDF\xFF')  # binary data, guaranteed to not decode as UTF-16
4
>>> binfile.flush()  # flush and seek back to start to move to reading
>>> binfile.seek(0)
0
>>> firstline = binfile.readline()  # read that first line
>>> len(firstline) % 2              # confirm we read an odd number of bytes
1
>>> firstline += binfile.read(1)    # add the expected null byte
>>> pprint(firstline)               # peek at the UTF-16 data we read
(b'\xff\xfeT\x00h\x00e\x00 \x00q\x00u\x00i\x00c\x00k\x00 \x00b\x00r\x00o\x00'
 b'w\x00n\x00 \x00>\xd8\x8a\xdd \x00j\x00u\x00m\x00p\x00s\x00 \x00o\x00v\x00'
 b'e\x00r\x00 \x00t\x00h\x00e\x00 \x00l\x00a\x00z\x00y\x00 \x00=\xd8\x15\xdc'
 b'\n\x00')
>>> print(firstline.decode('utf-16'))  # bom included, so the decoder detects LE vs BE
The quick brown  jumps over the lazy 

>>> binfile.read()
b'\xdf\xff\xdf\xff'

任何仍然可以使用TextIOWrapper()的替代实现都需要在二进制文件和TextIOWrapper()实例之间放置一个中间包装，以防止TextIOWrapper()读得太远，这会得到复杂的 fast ，并且要求包装程序对反编译器的使用有所了解。对于单行文本，这是不值得的工作。

Python3逐行读取混合文本/二进制数据

1 个答案: