Pyparsing, Python 3 和 Unicode 字节序标记

Question

我有一个 UTF-8 编码的文本文件，带有字节顺序标记 - 也就是说，前几个字节是 EF BB BF 0D 0A 4D...（这是一个由 VS 2013 生成的 Visual Studio 解决方案文件).

我正在尝试使用 PyParsing 解析它，使用 parseFile() 方法和 Python 3。在 Python 2 中，我可以这样做：

import pyparsing as pp
bom = pp.Optional(unicode(unichr(0xfeff)).encode('utf-8')).suppress()

获取可选的字节顺序标记。但是在 Python 3 中，unicode 和 unichr 函数已经消失，因为所有字符串都是 Unicode。所以我尝试了这个：

bom = pp.Optional(chr(0xfeff)).suppress()

还有这个：

bom = pp.Optional('\ufeff').suppress()

但都不匹配文件的开头。我用谷歌搜索了一段时间，但似乎找不到任何相关内容。

如何匹配（或忽略！）Unicode 字节顺序标记？

Answer 1

这里的问题似乎是使用parseFile()方法读取文件时使用的默认编码是ASCII，所以UTF-8编码的字节顺序标记并没有结束为U+FEFF，它以 ASCII EF BB BF 结尾。要解决此问题，您可以显式打开文件并指定编码。而不是这个：

p.parseFile('filename.sln')

这样做：

p.parseFile(open('filename.sln', encoding='utf-8'))

然后可以使用以下解析器跳过字节顺序标记：

bom = pp.Optional(chr(0xfeff)).suppress()

Answer 2

使用utf_8_sig编码类型打开文件：

p.parseFile(open('filename.sln', encoding='utf_8_sig'))

BOM 如果存在，将被隐藏。

来自编解码器模块：

On encoding a UTF-8 encoded BOM will be prepended to the UTF-8 encoded bytes. For the stateful encoder this is only done once (on the first write to the byte stream). For decoding an optional UTF-8 encoded BOM at the start of the data will be skipped.

Pyparsing, Python 3 和 Unicode 字节序标记

Pyparsing, Python 3 and the Unicode byte order mark

python

unicode

pyparsing

python-3.x

python-unicode