Python3 逐行读取混合文本/二进制数据

Question

我需要解析一个具有 UTF-16 文本标头并直接后跟二进制数据的文件。为了能够读取二进制数据，我以"rb"模式打开文件，然后，为了读取标头，将其包装到 io 中。TextIOWrapper((.

问题是，当我执行TextIOWrapper对象的.readline()方法时，包装器提前读取太远(即使我只请求了一行(，然后在遇到二进制部分时遇到 UTF-16 解码错误：引发UnicodeDecodeError。

但是，我需要正确解析文本数据，并且不能简单地先进行二进制读取，然后再执行 data.find(b"\"(，因为不能保证它实际上以均匀偏移量匹配(可能是中间字符(。我想避免自己进行 UTF-16 解析。

有没有一种简单的方法可以告诉TextIOWrapper不要提前阅读？

Answer 1

不，您不能使用TextIOWrapper()对象，因为它会以更大的块(而不仅仅是行(从底层缓冲区读取，所以是的，它会尝试解码超过第一行的二进制数据。你无法阻止这种情况。

对于使用n行分隔符的单行文本，您真的不需要使用TextIOWrapper().二进制文件仍然支持逐行读取，其中file.readline()将为您提供下一个n字节的二进制数据。只需以二进制形式打开文件，然后读取一行。

有效的 UTF-16 数据将始终具有均匀的长度。但是由于 UTF-16 有两种风格，大端字节序和小字节序字节序，您需要检查读取了多少数据以查看使用了哪个字节顺序，以便有条件地读取应该是第一行数据一部分的单个字节。如果使用 UTF-16 小端序，则保证读取了奇数个字节，因为换行符被编码为0a 00而不是00 0a，并且.readline()调用将在文件流中留下单个00字节。在这种情况下，只需再读取一个字节并将其添加到解码前的第一行数据：

with open(filename, 'rb') as binfile:
firstline = binfile.readline()
if len(firstline) % 2:
# little-endian UTF-16, add one more byte
firstline += binfile.read(1)
text = firstline.decode('utf-16')
# read binary data from the file

一个带有io.BytesIO()的演示，我们首先写入 UTF-16 小端数据(使用 BOM 指示解码器的字节顺序(，文本后跟两个低代理序列，这将导致 UTF-16 解码错误代表"二进制数据"，之后我们再次读取文本和数据：

>>> import io, codecs
>>> from pprint import pprint
>>> binfile = io.BytesIO()
>>> utf16le_wrapper = io.TextIOWrapper(binfile, encoding='utf-16-le', write_through=True)
>>> utf16le_wrapper.write('ufeff')  # write the UTF-16 BOM manually, as the -le and -be variants won't include this
1
>>> utf16le_wrapper.write('The quick brown 🦊 jumps over the lazy 🐕n')
40
>>> binfile.write(b'xDFxFFxDFxFF')  # binary data, guaranteed to not decode as UTF-16
4
>>> binfile.flush()  # flush and seek back to start to move to reading
>>> binfile.seek(0)
0
>>> firstline = binfile.readline()  # read that first line
>>> len(firstline) % 2              # confirm we read an odd number of bytes
1
>>> firstline += binfile.read(1)    # add the expected null byte
>>> pprint(firstline)               # peek at the UTF-16 data we read
(b'xffxfeTx00hx00ex00 x00qx00ux00ix00cx00kx00 x00bx00rx00ox00'
b'wx00nx00 x00>xd8x8axdd x00jx00ux00mx00px00sx00 x00ox00vx00'
b'ex00rx00 x00tx00hx00ex00 x00lx00ax00zx00yx00 x00=xd8x15xdc'
b'nx00')
>>> print(firstline.decode('utf-16'))  # bom included, so the decoder detects LE vs BE
The quick brown 🦊 jumps over the lazy 🐕
>>> binfile.read()
b'xdfxffxdfxff'

任何仍然可以使用TextIOWrapper()的替代实现都需要一个中间包装器位于二进制文件和TextIOWrapper()实例之间，以防止TextIOWrapper()读取得太远，这会很快变得复杂，并且需要包装器了解所使用的编解码器。对于一行文本，这不值得付出所需的努力。