我有一个旧 MAC OS 文件存储中的文件集合。我知道集合存在文件名/路径名问题。问题源于我认为在原始操作系统中呈现为破折号的路径中包含一个代码点,但 Windows 与代码点斗争,并且其中一个包含 diacritic。在前一个字符上,或用 ?
我正在尝试找出一种方法来确定文件结构的“真实性”,这样我就可以确定我正在考虑每个文件。
我已经使用一些工具浏览了这些文件,但没有任何匹配项。我相信以下说明了问题。
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import os
folder = "emails"
b = os.listdir(folder)
for f in b:
print repr(f)
print os.path.isfile(os.path.join(folder, f))
(我必须稍微修改一下实际的文件名)
结果:-
'file(1)'
True
'file(2)'
True
'file(3)?'
False
'file(4)'
True
感兴趣的文件名为 file(3)?,其中奇数代码点已被解码为 ?,并且评估为不是文件(或甚至通过 os.path.exists 存在)。 请注意,print repr(string) 表明它处理的是 UTF-8,正确编码的 ?。
我可以从文件夹中复制粘贴文件名,它显示为:file(3) 注意句号。
我可以将字符串粘贴到我的编辑器 (subl) 中,然后看到我现在有一个不可显示的代码点字形作为最终代码点
a = "file(3)"
print a
print repr(a)
给我:
file(3)
'file(3)\xef\x80\xa9'
由此我可以看出奇数代码点是\xef\x80\xa9。在集合的其他地方,我还找到了代码点 \xef\x80\xa8。
我必须假设 os.listdir 返回的不是原始代码点值,而是一个(UTF-8?)编码字符串,代码点替换意味着当它测试 exists 或 isfile 测试是否存在错误的文件名,因为替换为 ? 的文件不存在。
我如何安全地使用这些文件?在大约 700 个文件的集合中,我有大约 40 个。
请您参考如下方法:
尝试将 unicode 传递给 os.listdir:
folder = u"emails"
b = os.listdir(folder)
这样做会导致 os.listdir 返回一个 unicode 列表而不是 str。
不幸的是,我对这个问题的思考越多,就越不理解为什么它会起作用。每个文件系统最终都使用某种编码以字节为单位存储其文件名。 HDF+ for instance以 UTF-16 格式存储文件名。因此,如果 os.listdir 能够最轻松地返回这些原始字节而不掺假,那将是有意义的。但是,在这种情况下,os.listdir 似乎可以返回纯正的 unicode,但不能返回纯正的字节。
如果有人能解释这个谜团,我将不胜感激。
