Unicode 转义文件处理错误

Question

我有一个原始文本文件，只包含以下行，没有换行符：

Q853 \u0410\u043D\u0434\u0440\u0435\u0439 \u0410\u0440\u0441\u0435\u043D\u044C\u0435\u0432\u0438\u0447 \u0422\u0430\u0440\u043A\u043E\u0432\u0441\u043A\u0438\u0439

字符如上所示转义，这意味着 \u05E9 实际上是一个反斜杠，后跟 5 个字母数字字符（而不是 Unicode 字符）。我正在尝试使用以下代码解码文件：

import codecs

with codecs.open("wikidata-terms20.nt", 'r', encoding='unicode_escape') as input:
    with open("wikidata-terms3.nt", "w") as output:
        for line in input:
            output.write(line)

此处无法使用 print，请参阅评论。

运行它给了我以下错误：

Traceback (most recent call last):
  File "terms2.py", line 5, in <module>
    for line in input:
  File "C:\Program Files\Python35\lib\codecs.py", line 711, in __next__
    return next(self.reader)
  File "C:\Program Files\Python35\lib\codecs.py", line 642, in __next__
    line = self.readline()
  File "C:\Program Files\Python35\lib\codecs.py", line 555, in readline
    data = self.read(readsize, firstline=True)
  File "C:\Program Files\Python35\lib\codecs.py", line 501, in read
newchars, decodedbytes = self.decode(data, self.errors)
UnicodeDecodeError: 'unicodeescape' codec can't decode bytes in position 67-71: truncated \uXXXX escape

这是怎么回事？

我是运行 Python 3.5.1 on Windows 8.1，代码似乎适用于大多数其他 Unicode 字符（这一行是导致崩溃的第一行).

查看原始问题的编辑历史记录。

Answer 1

解码器读取的数据似乎在字符#72（之后）（基于 0 的字符#71）处被截断。这显然与 this bug.

有某种关系

以下代码会产生与示例中相同的错误：

open("wikidata-terms20.nt", 'r').readline()
open("wikidata-terms20.nt", 'r').readline(72)

将 readline 大小增加到输入的实际大小以上或将其设置为 -1 可消除错误：

open("wikidata-terms20.nt", 'r').readline(1000)
open("wikidata-terms20.nt", 'r').readline(-1)

可见，for line in input:用readline()得到了待解码的行，有效地将待解码数据截断为72个字符。

所以这里有几个解决方法：

解决方法 1：

import codecs

with open("wikidata-terms20.nt", 'r') as input:
    with open("wikidata-terms3.nt", "w") as output:
        for line in input:
            output.write(codecs.decode(line, 'unicode_escape'))

解决方法 2：

import codecs

with codecs.open("wikidata-terms20.nt", 'r', encoding='unicode_escape') as input:
    with open("wikidata-terms3.nt", "w") as output:
        for line in input.readlines():
            output.write(line)

Unicode 转义文件处理错误

Unicode-escaped file processing error

python

unicode

python-3.x

python-unicode