在python中将unicode UTF-16数据写入文件时出现问题

Question

我正在使用Python 2.6.1在Windows上工作.

我有一个包含单个字符串Hello的Unicode UTF-16文本文件,如果我在二进制编辑器中查看它,我看到:

FF FE 48 00 65 00 6C 00 6C 00 6F 00 0D 00 0A 00
BOM   H     e     l     l     o     CR    LF

我想要做的是读取此文件,通过Google Translate API运行它,并将它和结果写入新的Unicode UTF-16文本文件.

我编写了以下Python脚本(实际上我写了一些比这更复杂的东西,有更多的错误检查,但这被剥离为一个最小的测试用例):

#!/usr/bin/python    
import urllib
import urllib2
import sys
import codecs

def translate(key, line, lang):
    ret = ""
    print "translating " + line.strip() + " into " + lang
    url = "https://www.googleapis.com/language/translate/v2?key=" + key + "&source=en&target=" + lang + "&q=" + urllib.quote(line.strip())
    f = urllib2.urlopen(url)
    for l in f.readlines():
        if l.find("translatedText") > 0 and l.find('""') == -1:
            a,b = l.split(":")
            ret = unicode(b.strip('"'), encoding='utf-16', errors='ignore')
            break
    return ret

rd_file_name = sys.argv[1]
rd_file = codecs.open(rd_file_name, encoding='utf-16', mode="r")
rd_file_new = codecs.open(rd_file_name+".new", encoding='utf-16', mode="w")
key_file = open("api.key","r")

key = key_file.readline().strip()

for line in rd_file.readlines():
    new_line = translate(key, line, "ja")
    rd_file_new.write(unicode(line) + "\n")
    rd_file_new.write(new_line)
    rd_file_new.write("\n")

这给了我一个几乎是Unicode的文件,里面有一些额外的字节:

FF FE 48 00 65 00 6C 00 6C 00 6F 00 0D 00 0A 00 0A 00
20 22 E3 81 93 E3 82 93 E3 81 AB E3 81 A1 E3 81 AF 22 0A 00 

我可以看到20是一个空格,22是一个引号,我假设"E3"是一个转义字符,urllib2用它表示下一个字符是UTF-16编码的？

如果我运行相同的脚本,但用"cs"(捷克语)而不是"ja"(日语)作为目标语言,响应都是ASCII,我首先得到带有"Hello"的Unicode文件作为UTF-16字符和然后"Ahoj"作为单字节ASCII字符.

我确定我错过了一些明显的东西,但我看不清楚.我对查询的结果尝试了urllib.unquote(),但没有帮助.我也尝试打印字符串,因为它返回f.readlines()并且它看起来很合理,但很难分辨,因为我的终端窗口不能正确支持Unicode.

有什么其他建议可以尝试吗？我看过建议的傻瓜,但它们似乎都不符合我的情景.

Answer 1

我相信谷歌的输出是UTF-8,而不是UTF-16.试试这个修复:

ret = unicode(b.strip('"'), encoding='utf-8', errors='ignore')