Python3 逐行读取混合文本/二进制数据

Question

我需要解析一个文件，它有一个 UTF-16 文本头，后面直接跟二进制数据。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，当我执行对象的.readline()方法时TextIOWrapper，包装器读得太远了（即使我只请求了一行），然后在遇到二进制部分时遇到了 UTF-16 解码错误：AUnicodeDecodeError被引发。

但是，我需要正确解析文本数据，不能简单地先进行二进制读取，然后再执行 data.find(b"\n\0") 因为不能保证这实际上以偶数偏移量匹配（可能是中途中间字符）。我想避免自己进行 UTF-16 解析。

有没有一种简单的方法可以告诉TextIOWrapper不要提前阅读？

Answer 1

不，您不能使用TextIOWrapper()对象，因为它会从更大的块中的底层缓冲区中读取，而不仅仅是行中，所以是的，它会尝试解码第一行之后的二进制数据。你无法阻止这一点。

对于使用行分隔符的单行文本\n，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()将为您提供直到下一个\n字节的二进制数据。只需以二进制方式打开文件，然后读取一行即可。

有效的 UTF-16 数据将始终具有偶数长度。但是，由于 UTF-16 有两种风格：大端字节顺序和小端字节顺序，因此您需要检查读取了多少数据以了解使用了哪些字节顺序，以便有条件地读取应属于第一行数据。如果使用 UTF-16 小尾数法，则保证您读取了奇数个字节，因为换行符被编码为0a 00而不是，00 0a并且调用将在文件流中.readline()留下单个字节。00在这种情况下，只需再读取一个字节并将其添加到解码前的第一行数据中：

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

一个演示，io.BytesIO()其中我们首先写入 UTF-16 小端数据（使用 BOM 指示解码器的字节顺序），文本后跟两个低代理序列，这将导致 UTF-16 解码错误'二进制数据'，之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'

仍然可以使用的任何替代实现TextIOWrapper()都需要在二进制文件和TextIOWrapper()实例之间放置一个中间包装器，以防止TextIOWrapper()读取太远，这会很快变得复杂，并且需要包装器了解所使用的编解码器。对于单行文本来说，这是不值得付出努力的。