4

我有一个混合了 jascii/shift-jis 和 ascii 文本的文本文件。我正在使用pyparsing并且无法标记此类字符串。

这是一个示例代码:

from pyparsing import *

subrange = r"[\0x%x40-\0x%x7e\0x%x80-\0x%xFC]"
shiftJisChars = u''.join(srange(subrange % (i,i,i,i)) for i in range(0x81,0x9f+1) + range(0xe0,0xfc+1))
jasciistring = Word(shiftJisChars)

jasciistring.parseString(open('shiftjis.txt').read())

我得到:

回溯(最近一次通话最后):
  文件“test.py”,第 7 行,在
    jasciistring.parseString(open('shiftjis.txt').read())
  文件“C:\python\lib\site-packages\pyparsing.py”,第 1100 行,在 parseString 中
    引发 exc pyparsing.ParseException

这是文本文件的内容:

“‚s‚‚‚‚“@‚‚‚“@‚@‚“‚‚‚‚‚‚‚””

(没有引号)

4

3 回答 3

1

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)。

于 2011-05-15T01:05:47.360 回答
0

我首先想到的是您没有将文件作为二进制文件打开。我建议使用类似open('shiftjis.txt', 'rb'). 您知道该文件包含正常 ASCII 范围之外的字符,因此通常最好将文件作为二进制文件打开,然后将内容解码为 Unicode。也许类似下面的东西会起作用(假设'shift-jis'是正确的编解码器名称):

text = open('shiftjis.txt', 'rb').read().decode('shift-jis')
jasciistring.parseString(text)

如果parseString()期待一个str对象(而不是一个unicode对象),那么您可以将最后一行更改为text使用 UTF-8 进行编码:

jasciistring.parseString(text.encode('utf-8'))

我唯一的其他建议是验证jasciistring包含正确的语法;由于您使用十六进制范围构建它,我希望您需要首先将其视为二进制文件str,然后将其解码为unicode对象。

于 2011-05-14T20:15:36.423 回答
0

您的“文本文件内容”是mojibake(使用错误的编解码器解码文件显示的垃圾)。我猜错了编解码器,重新编码文本,用 ShiftJIS 解码得到:

# coding: utf8
import codecs
s = u'‚s‚ˆ‚‰‚“@‚‰‚“@‚@‚“‚ˆ‚‰‚†‚”[‚Š‚‰‚“@‚“‚”‚’‚‰‚Ž‚‡B'
s = s.encode('cp1252').decode('shift-jis','replace')
print s

输出

This@is@�shift[jis@stringB

所以默认的美国 Windows 编解码器不太正确:^)

很可能您需要做的就是使用 shift_jis 编解码器读取原始文件:

import codecs
f = codecs.open('shiftjis.txt','rb','shift_jis')
data = f.read()
f.close

data将是一个包含解码字符的 Unicode 字符串。

于 2011-05-14T21:07:44.683 回答