在python中使用特定文本编码打开(可能是gzip)文件的通用方法

我正在编写一段代码,打开一个(可能是gzip)文本文件,可以在Python 2和Python 3中运行.

如果我只有普通的文本文件(未压缩),我可以这样做:

import io
for line in io.open(file_name, encoding='some_encoding'):
    pass

如果我不关心解码(在python 2/3中使用字符串/字节)

if file_name.endswith('.gz'):
    file_obj = gzip.open(file_name)
else:
    file_obj = open(file_name)

for line in file_obj:
    pass

我怎样才能顺利地处理这两种情况呢?换句话说,如何将解码与gzip.open()平滑地集成?

最佳答案
我对此进行了简要测试,似乎做了正确的事情.你可以提供一个文件obj到gzip.GzipFile和io.open

import io
import gzip

f_obj = open('file.gz','r')
io_obj = io.open(f_obj.fileno(), encoding='UTF-8')
gzip_obj = gzip.GzipFile(fileobj=io_obj, mode='r')
gzip_obj.read()

这给了我一个UnicodeDecodeError,因为我正在阅读的文件实际上不是UTF-8,所以看起来它做的是正确的.

出于某种原因,如果我使用io.open直接打开file.gz,gzip说该文件不是压缩文件.

UPDATE
是的,这很愚蠢,流是错误的方式开始.

测试文件

ö
ä
u
y

以下代码使用定义的编解码器解码压缩文件

import codecs
import gzip
gz_fh = gzip.open('file.gz')
ascii = codecs.getreader('ASCII')
utf8 = codecs.getreader('UTF-8') 
ascii_fh = ascii(gz_fh)
utf8_fh = utf8(gz_fh)
ascii_fh.readlines()
-> UnicodeDecodeError: 'ascii' codec can't decode byte 0xc3 in position 0: ordinal not in range(128)

utf8_fh.readlines()
-> [u'\xf6\n', u'\xe4\n', u'u\n', u'y']

codecs.StreamReader接受一个流,因此您应该能够将压缩或未压缩的文件传递给它.

http://docs.python.org/library/codecs.html#codecs

转载注明原文:在python中使用特定文本编码打开(可能是gzip)文件的通用方法 - 代码日志