Python行文件迭代和奇怪的字符

Question

我有一个巨大的压缩文本文件，我需要逐行阅读。我选择以下内容：

for i, line in enumerate(codecs.getreader('utf-8')(gzip.open('file.gz'))):
  print i, line

在文件后期的某个时间点，python 输出与文件不同。这是因为由于 python 认为是换行符的奇怪特殊字符而导致行被中断。当我在“vim”中打开文件时，它们是正确的，但是可疑字符的格式很奇怪。有什么办法可以解决这个问题吗？

我尝试过其他编解码器，包括 utf-16、latin-1。我也试过不使用编解码器。

我使用“od”查看了文件。果然，有 \n 字符不应该出现。但是，“错误”的前面有一个奇怪的字符。我认为这里有一些编码，一些字符是 2 字节，但如果没有正确查看，尾随字节是 \n。

根据“od -h file”，违规字符是“1d1c”。

如果我替换：

gzip.open('file.gz')

与：

os.popen('zcat file.gz')

它运行良好（实际上，速度更快）。但是，我想知道我哪里出错了。

Answer 1

不使用编解码器重试。以下重现了您使用编解码器时的问题，而没有它则没有问题：

import gzip 
import os 
import codecs 

data = gzip.open("file.gz", "wb") 
data.write('foo\x1d\x1cbar\nbaz') 
data.close() 

print list(codecs.getreader('utf-8')(gzip.open('file.gz'))) 
print list(os.popen('zcat file.gz')) 
print list(gzip.open('file.gz')) 

输出：

[u'foo\x1d', u'\x1c', u'bar\n', u'baz']
['foo\x1d\x1cbar\n', 'baz']
['foo\x1d\x1cbar\n', 'baz']

Answer 2

我问（在评论中）“”“向我们展示 print repr(weird_special_characters) 的输出。当你在 vim 中打开文件时，什么是正确的？请比“格式化奇怪”更精确。“”“但是什么都没有:-(

您在查看od 的哪个文件？ file.gz??如果您可以在其中看到任何可识别的内容，则它不是 gzip 文件！您没有看到换行符，您看到的是包含 0x0A 的二进制字节。

如果原始文件是 utf-8 编码的，那么尝试使用其他编解码器有什么意义？

“使用 zcat 可以正常工作”是否意味着您在没有 utf8 解码步骤的情况下获得了可识别的数据？？

我建议您简化您的代码，并一次执行一步...例如，请参阅this question 的已接受答案。再试一次，请显示您运行的确切代码，并在描述结果时使用 repr()。

更新看来 DS 猜到了您试图解释的有关 \x1c 和 \x1d 的内容。

这里有一些说明为什么会这样：

在ASCII中，换行时只考虑\r和\n：

>>> import pprint
>>> text = ''.join('A' + chr(i) for i in range(32)) + 'BBB'
>>> print repr(text)
'A\x00A\x01A\x02A\x03A\x04A\x05A\x06A\x07A\x08A\tA\nA\x0bA\x0cA\rA\x0eA\x0fA\x10
A\x11A\x12A\x13A\x14A\x15A\x16A\x17A\x18A\x19A\x1aA\x1bA\x1cA\x1dA\x1eA\x1fBBB'
>>> pprint.pprint(text.splitlines(True))
['A\x00A\x01A\x02A\x03A\x04A\x05A\x06A\x07A\x08A\tA\n', # line break
 'A\x0bA\x0cA\r', # line break
 'A\x0eA\x0fA\x10A\x11A\x12A\x13A\x14A\x15A\x16A\x17A\x18A\x19A\x1aA\x1bA\x1cA\x
1dA\x1eA\x1fBBB']
>>>

但是在 Unicode 中，字符 \x1D（文件分隔符）、\x1E（组分隔符）和 \x1E（记录分隔符）也可以作为行尾：

>>> text = u''.join('A' + unichr(i) for i in range(32)) + u'BBB'
>>> print repr(text)
u'A\x00A\x01A\x02A\x03A\x04A\x05A\x06A\x07A\x08A\tA\nA\x0bA\x0cA\rA\x0eA\x0fA\x10A\x11A\x12A\x13A\x14A\x15A\x16A\x17A\x18A\x19A\x1aA\x1bA\x1cA\x1dA\x1eA\x1fBBB'
>>> pprint.pprint(text.splitlines(True))
[u'A\x00A\x01A\x02A\x03A\x04A\x05A\x06A\x07A\x08A\tA\n', # line break
 u'A\x0bA\x0cA\r', # line break
 u'A\x0eA\x0fA\x10A\x11A\x12A\x13A\x14A\x15A\x16A\x17A\x18A\x19A\x1aA\x1bA\x1c', # line break
 u'A\x1d', # line break
 u'A\x1e', # line break
 u'A\x1fBBB']
>>>

无论您使用什么编解码器，这都会发生。您仍然需要确定需要使用什么（如果有）编解码器。您还需要确定原始文件是否真的是文本文件而不是二进制文件。如果是文本文件，需要考虑文件中\x1c和\x1d的含义。