当您遇到非 ASCII 字符/字节的问题时,将它们打印到您的控制台并将它们复制/粘贴到您的问题中是非常无益的。你所看到的往往不是你所拥有的。您应该使用内置repr()
函数 [Python 3.x: ascii()
] 尽可能明确地显示您的数据。
做这个:
python -c "print repr(open('shiftjis.txt', 'rb').read())"
并将结果复制/粘贴到编辑您的问题中。
在等待启蒙的同时对数据进行逆向工程:Windows 代码页必须是一个很好的嫌疑人,cp1252
最常见的是。正如@Mark Tolonen 所展示的,cp1252
几乎适合,有一个错误。进一步调查表明,其他cp125x
编码会产生 2、3 或 5 个错误。AFAIK 只有cp125x
编码会将看起来像逗号的东西(实际上是 U+201A SINGLE LOW-9 QUOTATION MARK)映射到 shift-jis 前导字节\x82
。我的结论是,违规者是cp1252
,并且错误是由运输中的损坏引起的。
另一种可能性是,底层的原始编码不是shift-jis
它的超集,即微软cp932
在日文 Windows 上使用的编码。然而,有问题的序列'\x82@'
在任何一个中都无效cp932
。无论如何,如果您要处理的文件来自日本的 Windows 机器,那么cp932
使用shift-jis
.
从您的问题和代码中,您想要做什么以及为什么要使用字节范围而不是仅仅将数据解码为 Unicode 并不明显。我不使用pyparsing
,但您喂它的子范围很可能格式不正确。
下面是一个如何使用正则表达式标记输入的示例。请注意,pyparsing 语法略有不同(\0xff
而不是 Python 的 `\xff')。
代码:
import re, unicodedata
input_bytes = '\x82s\x82\x88\x82\x89\x82\x93@\x82\x89\x82\x93@\x82@\x82\x93\x82\x88\x82\x89\x82\x86\x82\x94[\x82\x8a\x82\x89\x82\x93@\x82\x93\x82\x94\x82\x92\x82\x89\x82\x8e\x82\x87B'
p_ascii = r'[\x00-\x7f]'
p_hw_katakana = r'[\xa1-\xdf]' # half-width Katakana
p_jis208 = r'[\x81-\x9f\xe0-\xef][\x40-\x7e\x80-\xfc]'
p_bad = r'.' # anything else
kinds = ['jis208', 'ascii', 'hwk', 'bad']
re_matcher = re.compile("(" + ")|(".join([p_jis208, p_ascii, p_hw_katakana, p_bad]) + ")")
for mobj in re_matcher.finditer(input_bytes):
s = mobj.group()
us = s.decode('shift-jis', 'replace')
print ("%-6s %-9s %-10r U+%04X %s"
% (kinds[mobj.lastindex - 1], mobj.span(), s, ord(us), unicodedata.name(us, '<no name>'))
)
输出:
jis208 (0, 2) '\x82s' U+FF34 FULLWIDTH LATIN CAPITAL LETTER T
jis208 (2, 4) '\x82\x88' U+FF48 FULLWIDTH LATIN SMALL LETTER H
jis208 (4, 6) '\x82\x89' U+FF49 FULLWIDTH LATIN SMALL LETTER I
jis208 (6, 8) '\x82\x93' U+FF53 FULLWIDTH LATIN SMALL LETTER S
ascii (8, 9) '@' U+0040 COMMERCIAL AT
jis208 (9, 11) '\x82\x89' U+FF49 FULLWIDTH LATIN SMALL LETTER I
jis208 (11, 13) '\x82\x93' U+FF53 FULLWIDTH LATIN SMALL LETTER S
ascii (13, 14) '@' U+0040 COMMERCIAL AT
jis208 (14, 16) '\x82@' U+FFFD REPLACEMENT CHARACTER
jis208 (16, 18) '\x82\x93' U+FF53 FULLWIDTH LATIN SMALL LETTER S
jis208 (18, 20) '\x82\x88' U+FF48 FULLWIDTH LATIN SMALL LETTER H
jis208 (20, 22) '\x82\x89' U+FF49 FULLWIDTH LATIN SMALL LETTER I
jis208 (22, 24) '\x82\x86' U+FF46 FULLWIDTH LATIN SMALL LETTER F
jis208 (24, 26) '\x82\x94' U+FF54 FULLWIDTH LATIN SMALL LETTER T
ascii (26, 27) '[' U+005B LEFT SQUARE BRACKET
jis208 (27, 29) '\x82\x8a' U+FF4A FULLWIDTH LATIN SMALL LETTER J
jis208 (29, 31) '\x82\x89' U+FF49 FULLWIDTH LATIN SMALL LETTER I
jis208 (31, 33) '\x82\x93' U+FF53 FULLWIDTH LATIN SMALL LETTER S
ascii (33, 34) '@' U+0040 COMMERCIAL AT
jis208 (34, 36) '\x82\x93' U+FF53 FULLWIDTH LATIN SMALL LETTER S
jis208 (36, 38) '\x82\x94' U+FF54 FULLWIDTH LATIN SMALL LETTER T
jis208 (38, 40) '\x82\x92' U+FF52 FULLWIDTH LATIN SMALL LETTER R
jis208 (40, 42) '\x82\x89' U+FF49 FULLWIDTH LATIN SMALL LETTER I
jis208 (42, 44) '\x82\x8e' U+FF4E FULLWIDTH LATIN SMALL LETTER N
jis208 (44, 46) '\x82\x87' U+FF47 FULLWIDTH LATIN SMALL LETTER G
ascii (46, 47) 'B' U+0042 LATIN CAPITAL LETTER B
注意 1:您不需要循环并加入 O(N**2) 个字符范围。
如果“jascii”只是表示“FULLWIDTH LATIN (CAPITAL|SMALL) LETTER [AZ]”(a)您的网络太大(b)您可以使用 UNICODE 字符范围而不是 BYTE 范围轻松做到这一点(当然在解码您的数据)。