Python - 解析文件需要帮助。有没有办法忽略 EOF 字符？

Posted 2023-02-25

【中文标题】Python - 解析文件需要帮助。有没有办法忽略 EOF 字符？

【英文标题】：Python - Help needed with parsing file. Is there a way to ignore EOF chars?

【发布时间】：2016-05-03 18:11:14

【问题描述】：

我有一个二进制文件，我正在尝试从中提取字符串，而且我有很多时间这样做。 :(

我当前的策略是使用 Python 读取文件（使用以下函数之一：read()、readline() 或 readlines()）。接下来，我逐行解析（逐个字符）并查找特殊字符 'ô'，大多数情况下它直接跟随我想要的字符串！最后，我从记录所有我识别为“有效”的字符的特殊字符中向后解析。

在一天结束时，我想要前面的时间戳和该行中接下来的 3 个字符串。

结果：

在输入示例第 1 行中，“读取”函数不会读取整行（显示在输出图像中）。我相信这是因为该函数将二进制文件解释为 EOF 字符，然后停止读取。

在示例的第 2 行中，有时会出现“特殊字符”，但它不在我要提取的字符串之后。 :(

有没有更好的方法来解析这些数据？如果没有，有没有办法解决示例行 #1 中看到的问题？

当我将行打印为已读时输入数据和结果输出数据的示例。如您所见，使用readlines() 时，它不会读取整行

我的字符串提取算法，不是很健壮。

仅供参考，效率不一定重要。

【问题讨论】：

通过将您的代码发布为屏幕截图，您让我们更难为您提供帮助。

没有EOF字符这样的东西，EOF只是到达文件末尾的条件。

【参考方案1】：

为什么使用 Python。使用字符串并将其通过头部管道，例如

    strings /bin/ls | head -3

看看你会得到什么。您也可以获得 Windows 的字符串。

【讨论】：

这似乎是我正在寻找的。我为 windows 下载了 strings2 并试了一下，它似乎运行良好！这是输出： 41080, 1-Hello Comapany Here ?= Carpenter 202-Carpenter House Personxyz <br/> 401058, owner of area LLC company names 213-Ingledue East names 你可以，它只搞砸了 1 次。我认为我可以通过过滤一些我知道不会使用的字符来在 python 中清理这些东西。 感谢@Jorgen 的建议。

对不起，我是新手：/这似乎是我要找的。我为 windows 下载了 strings2 并试了一下，它似乎运行良好！这是输出：41080, 1-Hello Comapany Here ?= Carpenter 202-Carpenter House Personxyz 401058, owner of area LLC company names 213-Ingledue East names 你可以，它只搞砸了 1 次。我认为我可以通过过滤一些我知道不会使用的字符来在 python 中清理这些东西。感谢@Jorgen 的建议。

【参考方案2】：

如果数据是二进制的，请勿将其读取为文本。将其作为二进制数据读取，然后尝试查找嵌入在二进制数据中的字符串。

with open("example.tp", "b") as f:
    data = f.read() # produces a bytes object in python 3

现在根据终端字符拆分数据

parts = data.split(b'\xf4') # f4 is hex code for your o character in latin-1

现在尽可能从每个部分中提取字符串：

from string import ascii_letters, digits

special_chars = '-()&, '
desired_chars = bytes(ascii_letters + digits + special_chars, encoding="ascii")

data = b'0,123\xf4NOPE#Hello world\xf4ignored' # sample data

parts = data.split(b'\xf4')

strings = []
for p in parts[:-1]: # ignore last part as it is never followed by the split char
    reversed_bytes = p[::-1]
    # extract the string
    for i, byte in enumerate(reversed_bytes):
        if byte not in desired_chars:
            chunk = reversed_bytes[:i]
            break
    else:
        chunk = reversed_bytes # all chars were valid
    bytes_ = chunk[::-1]
    bytes_ = bytes_.replace(b',', b'')
    strings.append(bytes_.decode("ascii")) # turn into a str
    # use ascii codec as there should be no non-ascii bytes in your string

print(strings) # prints ['0123', 'Hello world']