使用 sys.stdin in python3 读取不同编码格式的文件

Question

我有很多文件是用 UTF-8 或 GBK 编码的。我的系统编码是UTF-8 (LANG=zh_CN.UTF-8)，所以我可以轻松读取UTF-8编码的文件。但我也必须阅读使用 GBK 编码的文件。我在此处关注 Python 3: How to specify stdin encoding：

import sys 
import io
input_stream = io.TextIOWrapper(sys.stdin.buffer, encoding='gbk')
for line in input_stream:
    print(line)

我的问题是如何从 sys.stdin 中安全地读取所有文件（GBK 和 UTF-8）。或者你能给我一些更好的解决方案吗？

为了稍微扩展一下这个问题，我想像这样处理文件：

cat *.in | python3 handler.py

*.in returns 许多文件使用 UTF-8 或 GBK 编码。

如果我在handler.py

中使用下面的代码

for line in sys.stdin:
    ...some code

它会在尝试处理 GBK 文件时立即抛出错误:

UnicodeDecodeError: 'utf-8' codec can't decode byte 0xd5 in position 0: invalid continuation byte

另一方面，如果我使用这样的代码：

input_stream = io.TextIOWrapper(sys.stdin.buffer, encoding='gbk')
for line in input_stream:
    ...some code

它会在任何 UTF-8 文件上抛出错误：

UnicodeDecodeError: 'gbk' codec can't decode byte 0x80 in position 25: illegal multibyte sequence

我想找到一种安全的方法来在我的脚本中处理这两种类型的文件（UTF-8 和 GBK）。

Answer 1

您可以将输入读取为原始字节，然后检查输入以决定实际将其解码成什么。

另见 Reading binary data from stdin

假设您可以一次读取整行（即整行的编码可以预期是一致的），我会尝试解码为 utf-8，然后退回到 gbk。

for raw_line in input_stream:
    try:
        line = raw_line.decode('utf-8')
    except UnicodeDecodeError:
        line = raw_line.decode('gbk')
    # ...

使用 sys.stdin in python3 读取不同编码格式的文件

read files with different encoding format using sys.stdin in python3

python

encoding

utf-8

python-3.x

gbk