我正在尝试用 python 从一堆具有不同编码的文档中编写一个通用文档索引器。我想知道是否可以使用 utf-8 读取我的所有文档(使用 utf-8、ISO8859-xx 和 windows-12xx 编码)而不丢失字符？
阅读部分如下:
fin=codecs.open(doc_name, "r","utf-8");
doc_content=fin.read()
请您参考如下方法:
我将稍微改一下您的问题。我相信您在问，“如果它实际上是 ISO8869-xx 或 Windows-12xx，我可以打开一个文档并像 UTF-8 一样阅读它吗？”。这就是您发布的 Python 代码尝试执行的操作。
这个问题的答案是否。如果您发布的 Python 代码包含序数 127 以上的任何字符，它们将破坏文档。这是因为“代码页”使用从 128 到 255 的数字分别代表一个字符，其中 UTF-8 使用该数字范围来代理多字节字符.因此，如果您错误地将文件解析为 UTF-8，文档中不在 ASCII 中的每个字符将被解释为无效字符串，或者将与后续字节组合以形成单个 UTF-8 代码点.
举个具体的例子，假设您的文档在 Windows-1252 中。它包含字节序列 0xC3 0xAE，或“î”(波浪号，注册商标符号)。在 UTF-8 中，相同的字节序列表示一个字符“ï”(带分音符的小“i”)。在 Windows-874 中，相同的序列将是“รฎ”。这些是相当不同的字符串 - 道德侮辱可能会成为下棋的邀请，反之亦然。失去了意义。
现在，对于一个稍微不同的问题——“我可以将我的文件从当前编码无损地转换为 UTF-8 吗？”或者，“我可以将当前文件中的所有数据表示为 UTF-8 字节流吗？”。这些问题的答案是(模数一些模糊位)是。 Unicode 旨在为任何先前存在的代码页中的每个表意文字提供一个代码点，并且总的来说已经成功实现了这一目标。有一些粗糙的边缘，但使用 Unicode 作为通用交换格式可能会为您提供良好的服务(UTF-8 是一种很好的表示形式)。
但是，要实现转换，您必须已经知道并说明文件在读取时的格式。否则 Python 将错误地处理非 ASCII 字符，并且您将严重损坏您的文本(事实上，如果您丢弃无效的 UTF8 序列或特定错误转换的字节范围的来源，将无法挽回)。
如果文本是全部，100% ASCII，您可以毫无问题地将其作为 UTF-8 打开，因为前 127 个代码点是共享的两种表示。
