python 读取不同格式文本

Posted 2020-11-15 HISAK

常见文本编码格式：UTF-8、UTF-16、UTF-32、ANSCII

BOM 是 Byte Order Mark 的简称，即字节序标记。用于标记文本流：

• 表示文本流的字节顺序，是小端序（little-endian）还是大端序（big-endian）;
• 表示文本流是 Unicode 字符；
• 表示文本流的编码方式。

几种编码方式的 BOM 值:

• UTF-8：0xEFBBBF
• UTF-16（BE）：0xFEFF
• UTF-16（LE）：0xFFFE
• UTF-32（BE）：0x0000FEFF
• UTF-32（LE）：0xFFFE0000

Python核心库的open函数是按照ascii设计的。但是，现在我们越来越多地要面对Unicode文件。好在python提供了codecs模块，帮我们解决了这个问题。使用中有一些需要注意的问题。
codecs模块的open定义如下
open(filename, mode[, encoding[, errors[, buffering]])

#Open an encoded file using the given mode and return a wrapped version providing transparent encoding/decoding. 
其中前两个参数filename和mode和默认的open相同。第三个参数encoding是关键，制定了文件的编码方式。
对于常用的Unicode有这几种utf_16、utf_16_le、utf_16_be、utf_8，每一种还有一些可用的别名，具体可以查找python manual。
utf_16、utf_16_le、utf_16_be参数的区别是这样的。
如果指定了utf_16，python会检查文件的BOM（Byte Order Mark）来判断，文件类型到底是utf_16_le、utf_16_be。对于没有BOM的文件会报错。
如果我们直接指定了utf_16_le、utf_16_be，python就不检查BOM了。对于没有BOM的文件很好用。但是，对于有BOM的文件就要注意，它会把BOM当作第一个字符读入。