web-dev-qa-db-ja.com

UTF-16をUTF-8に変換してBOMを削除しますか？

WindowsでUTF-16でエンコードされたデータ入力担当者がいて、utf-8を使用してBOMを削除したいと考えています。 utf-8変換は機能しますが、BOMはまだ残っています。これをどのように削除しますか？これは私が現在持っているものです：

batch_3={'src':'/Users/jt/src','dest':'/Users/jt/dest/'}
batches=[batch_3]

for b in batches:
  s_files=os.listdir(b['src'])
  for file_name in s_files:
    ff_name = os.path.join(b['src'], file_name)  
    if (os.path.isfile(ff_name) and ff_name.endswith('.json')):
      print ff_name
      target_file_name=os.path.join(b['dest'], file_name)
      BLOCKSIZE = 1048576
      with codecs.open(ff_name, "r", "utf-16-le") as source_file:
        with codecs.open(target_file_name, "w+", "utf-8") as target_file:
          while True:
            contents = source_file.read(BLOCKSIZE)
            if not contents:
              break
            target_file.write(contents)

Hexdump -Cを実行すると、次のようになります。

Wed Jan 11$ hexdump -C svy-m-317.json 
00000000  ef bb bf 7b 0d 0a 20 20  20 20 22 6e 61 6d 65 22  |...{..    "name"|
00000010  3a 22 53 61 76 6f 72 79  20 4d 61 6c 69 62 75 2d  |:"Savory Malibu-|

結果のファイルで。 BOMを削除するにはどうすればよいですか？

どうも

pythonunicodeutf-8utf-16
21
timpone

str.decode および str.encode ：

with open(ff_name, 'rb') as source_file:
  with open(target_file_name, 'w+b') as dest_file:
    contents = source_file.read()
    dest_file.write(contents.decode('utf-16').encode('utf-8'))

str.decodeは、BOMを削除します（エンディアンを推定します）。

25
Adam Rosenfield

これがUTF-16LEとUTF-16の違いです

  • UTF-16LEはリトルエンディアンなし BOM
  • UTF-16はビッグエンディアンまたはリトルエンディアンwith BOM

したがって、UTF-16LEを使用する場合、BOMはテキストの一部にすぎません。代わりにUTF-16を使用すると、BOMが自動的に削除されます。 UTF-16LEとUTF-16BEが存在する理由は、BOMなしで「適切にエンコードされた」テキストを持ち運ぶことができるためです。

一方のエンコーディングを使用してエンコードし、もう一方のエンコーディングを使用してデコードするとどうなるかに注意してください。 （UTF-16は自動的にUTF-16LEを自動的に検出することがあります。常にではありません。）

>>> u'Hello, world'.encode('UTF-16LE')
'H\x00e\x00l\x00l\x00o\x00,\x00 \x00w\x00o\x00r\x00l\x00d\x00'
>>> u'Hello, world'.encode('UTF-16')
'\xff\xfeH\x00e\x00l\x00l\x00o\x00,\x00 \x00w\x00o\x00r\x00l\x00d\x00'
 ^^^^^^^^ (BOM)

>>> u'Hello, world'.encode('UTF-16LE').decode('UTF-16')
u'Hello, world'
>>> u'Hello, world'.encode('UTF-16').decode('UTF-16LE')
u'\ufeffHello, world'
    ^^^^ (BOM)

または、シェルでこれを行うことができます。

for x in * ; do iconv -f UTF-16 -t UTF-8 <"$x" | dos2unix >"$x.tmp" && mv "$x.tmp" "$x"; done
37
Dietrich Epp