Python3 处理 gb18030 乱码

【环境】

• Windows 10 x64

• Python 3.6.3
  

【关于 gb18030 编码】

•  GB 18030 wiki：https://zh.wikipedia.org/wiki/GB_18030

• 单字节，其值从0到0x7F。

• 双字节，第一个字节的值从0x81到0xFE，第二个字节的值从0x40到0xFE（不包括0x7F）。

• 四字节，第一个字节的值从0x81到0xFE，第二个字节的值从0x30到0x39，第三个字节从0x81到0xFE，第四个字节从0x30到0x39。

【解码错误的处理方式】

• 错误：
  

• bytes.decode

• codecs.register_error 样例

• 异常对象：UnicodeDecodeError

• 方案一：自定义 replace_errors：

import codecs

# gb18030 乱码 handler

def WalkerGB18030ReplaceHandler(exc):

print('exc.start: %d' % exc.start)

print('exc.end: %d' % exc.end)

print('exc.encoding: %s' % exc.encoding)

print('exc.reason: %s' % exc.reason)

text = ''

for ch in exc.object[exc.start:exc.end]:

print('ch:')

print(ch)

text += ('0x%02X' % ch)

return (text, exc.end)

* 方案二：自定义编码清洗

# 修理 gb18030文件

# 将乱码转化为十六进制字符串，例如：b'\xff' 转为字符串 0xFF

# 将不可打印单字节转为十六进制字符串，例如：b'\xff' 转为字符串 0x7F

# srcFile 为原始 gb18030文件

# dstFile 为修理后的 gb18030文件

# explicit 控制是否转换为不可打印字符： explicit 为 False 是不转换（默认），否则转换

def RepairGB18030File(srcFile, dstFile, explicit=False):

    with open(srcFile, mode='rb') as fin:

        byteText = fin.read()

    byteLength = len(byteText)   

    print('byteLength: %d' % byteLength)

    pos = 0       # 位置

    byteList = list()

    # 末尾添加2对\r\n防止pos溢出

    byteText += b'\x0d\x0a\x0d\x0a'

    while pos < byteLength:  

        byte1 = bytes([byteText[pos]])

        byte2 = bytes([byteText[pos+1]])

        byte3 = bytes([byteText[pos+2]])

        byte4 = bytes([byteText[pos+3]])

        # 单字节汉字（正常）

        if b'\x00' <= byte1 <= b'\x7f':     

            pos += 1

            if byte1.decode('gb18030').isprintable(): # 可打印字符

                byteList.append(byte1)

                continue

            if byte1 in (b'\x0d', b'\x0a'): # 换行符

                byteList.append(byte1)

                continue

            if explicit:   # 要求转换不可打印字符  

                byteNew = ("0x%02X" % ord(byte1)).encode('gb18030')

                byteList.append(byteNew)   

            else:           # 不要求转换不可打印字符

                byteList.append(byte1)         

        # 多字节汉字（双字节或四字节）      

        elif b'\x81' <= byte1 <= b'\xfe':   

            #双字节（正常）

            if (b'\x40' <= byte2 <= b'\x7e') or (b'\x80' <= byte2 <= b'\xfe'):  

                pos += 2

                byteList.extend([byte1, byte2])

                continue

            #四字节   

            if b'\x30' <= byte2 <= b'\x39': 

                # 四字节（正常）

                if (b'\x81' <= byte3 <= b'\xfe') or (b'\x30' <= byte4 <= b'\x39'):

                    pos += 4

                    byteList.extend([byte1, byte2, byte3, byte4])

                    continue

                # 四字节乱码

                pos += 1  #错误的时候只能移动一个字节

                byteNew = ("0x%02X" % ord(byte1)).encode('gb18030')

                byteList.append(byteNew)

                continue

            # 双字节乱码

            #0x00-0x2f、0x7f、0xff

            pos += 1  #错误的时候只能移动一个字节

            byteNew = ("0x%02X" % ord(byte1)).encode('gb18030')

            byteList.append(byteNew)

        else:

            # 单字节乱码       

            #应该只剩 0x80 和 0xff

            byteNew = ("0x%02X" % ord(byte1)).encode('gb18030') #4个字节

            pos += 1  #错误的时候只能移动一个字节

            byteList.append(byteNew)

    repairedText = b''.join(byteList).decode('gb18030')

    with open(dstFile, mode='w', encoding='gb18030') as fout:

        fout.write(repairedText)

【相关阅读】

1、关于 Python3 的编码

2、汉字字符集编码查询