Python3 逐行读取混合文本/二进制数据

Question

我需要解析一个具有UTF-16文本头的文件，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，然后对于读取标头，将其包装到io.TextIOWrapper()中。

问题是，当我执行TextIOWrapper对象的.readline()方法时，包装器读取太多内容（尽管我只请求了单行），然后在遇到二进制部分时出现UTF-16解码错误：引发一个UnicodeDecodeError。

然而，我需要正确解析文本数据，不能仅仅先进行二进制读取，然后进行data.find(b"\n\0")，因为无法保证这在偶数偏移处匹配（可能在字符之间的中途）。 我想避免自己进行UTF-16解析。

是否有一种简单的方法告诉TextIOWrapper不要提前读取？

- itecMemory

---

这是什么类型的文件？ - rocksportrocker

Answer 1

不，你不能使用对象，因为它会从底层缓冲区中以更大的块读取，而不仅仅是按行读取，所以是的，它会尝试解码超过第一行的二进制数据。你无法阻止这种情况发生。

对于使用\n行分隔符的单行文本，您真的不需要使用。二进制文件仍支持逐行读取，其中file.readline()将为您提供到下一个\n字节的二进制数据。只需以二进制形式打开文件，并读取一行即可。

有效的UTF-16数据将始终具有偶数长度。但是，由于UTF-16有两种类型，大端和小端字节顺序，因此您需要检查读取了多少数据以查看使用了哪个字节顺序，以有条件地读取应该是该第一行数据的一部分的单个字节。如果使用了UTF-16小端，则保证已读取奇数个字节，因为换行符编码为0a 00而不是00 0a，并且.readline（）调用将使单个00字节留在文件流中。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中即可：

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

这是一个使用io.BytesIO()的演示，首先我们写入UTF-16小端数据（带有BOM表示字节顺序供解码器使用），文本后跟两个代理对序列，将导致UTF-16解码错误，以代表“二进制数据”，然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'

任何仍然可以使用的替代实现都需要一个中间包装器来坐在二进制文件和实例之间，以防止读取太远，这会变得非常复杂并且还需要包装器具有使用的编解码器的知识。 对于一行文本而言，这样做并不值得付出的努力。

- Martijn Pieters