Python3 处理 gb18030 乱

【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：
  

UnicodeDecodeError: 'gb18030' codec can't decode byte 0xff in position 129535: illegal multibyte sequence

• 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)
	
# 注册自定义handler
codecs.register_error("myreplace", WalkerGB18030ReplaceHandler)

* 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
# class="lazy" data-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(class="lazy" data-srcFile, dstFile, explicit=False):
	with open(class="lazy" data-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

*** walker 的流水账 ***