Python如何實(shí)現(xiàn)自動(dòng)識(shí)別并批量轉(zhuǎn)換文本文件編碼

這篇“Python如何實(shí)現(xiàn)自動(dòng)識(shí)別并批量轉(zhuǎn)換文本文件編碼”文章的知識(shí)點(diǎn)大部分人都不太理解，所以小編給大家總結(jié)了以下內(nèi)容，內(nèi)容詳細(xì)，步驟清晰，具有一定的借鑒價(jià)值，希望大家閱讀完這篇文章能有所收獲，下面我們一起來(lái)看看這篇“Python如何實(shí)現(xiàn)自動(dòng)識(shí)別并批量轉(zhuǎn)換文本文件編碼”文章吧。

如題，很簡(jiǎn)單，就是先用chardet 庫(kù)識(shí)別文件編碼，解碼之后再輸出成目標(biāo)編碼。算是個(gè)偶爾能用上的小工具，要用的時(shí)候萬(wàn)一沒(méi)有就很難受的那種，比如，網(wǎng)上下載了別人的項(xiàng)目文件，一打開(kāi)全是亂碼

代碼

加了比較詳細(xì)的注釋~~ 看懂的要求應(yīng)該不高，平時(shí)用過(guò)Python，知道幾個(gè)常用庫(kù)就行。

from pathlib import Path
import chardet
import re

def text_file_encoding_convert(f: Path, target_encoding: str, *, dry_run=False) -> (bool, str, float):
    ''' 轉(zhuǎn)換單個(gè)文件到目標(biāo)編碼
    @param  f                   文件路徑
    @param  target_encoding     目標(biāo)編碼，比如urf-8
    @param  dry_run             為T(mén)rue 時(shí)不實(shí)際修改源文件

    @return  返回三個(gè)值分別為（是否成功，估計(jì)的源文件編碼，估計(jì)的把握）
    '''
    target_encoding = target_encoding.lower()    # python 的標(biāo)準(zhǔn)編碼名稱都是小寫(xiě)
    raw = f.read_bytes()
    result = chardet.detect(raw)
    encoding = result["encoding"].lower()     # chardet 估計(jì)出來(lái)的編碼名稱
    confidence = result["confidence"]    # 估計(jì)的把握
    flag = True

    # 下面的單次for 循環(huán)用來(lái)避免重復(fù)寫(xiě)return 語(yǔ)句，break 后統(tǒng)一跳到最后return
    for _d（￣_￣）b_ in (1,):
        if encoding == target_encoding or encoding == "ascii" and target_encoding == "utf-8":
            # 目標(biāo)編碼和源編碼相同時(shí)不用做處理。utf-8 編碼和ASCII 兼容，原編碼為ASCII 時(shí)轉(zhuǎn)換到utf-8 不會(huì)有變化，所以也跳過(guò)
            print(f"-> [NO CONVERSION NEEDED] {f.name}: {encoding} ==> [ {target_encoding} ]")
            break

        try:
            text = raw.decode(encoding)
        except:
            print(f"!> Encoding err: {f.name}, detected: {encoding}, {confidence}.")
            flag = False
            break

        if dry_run:
            print(f"-> [ NO WET ] {f.name}: {encoding} ==> [ {target_encoding} ]")
        else:
            # 必須先用目標(biāo)編碼轉(zhuǎn)換成字節(jié)數(shù)組，然后按字節(jié)寫(xiě)入源文件
            # 如果按文本方式寫(xiě)入，就會(huì)遇到喜聞樂(lè)見(jiàn)的CR LF 換行問(wèn)題，
            # 源文件中的CR LF 換行會(huì)被自動(dòng)變成CR CR LF，也就是多了一堆空行。
            out = text.encode(target_encoding)
            f.write_bytes(out)
            print(f"-> {f.name}: {encoding} ==> [ {target_encoding} ]")

    return (flag, encoding, confidence)


def text_file_encoding_batch_convert(
    folder: Path,
    target_encoding: str,
    *,
    dry_run=True,
    recursive=False,
    pattern=".*(c|h|txt|cxx|cpp|hpp|hxx|csv|asm)$",
    skip_when_error=True,
):
    ''' 批量轉(zhuǎn)換一個(gè)目錄下文本文件的編碼
    @param  folder             目標(biāo)目錄
    @param  target_encoding    目標(biāo)編碼
    @param  dry_run            不實(shí)際修改源文件，避免手滑寫(xiě)錯(cuò)
    @param  recursive          包括所有子文件夾下的文件
    @param  pattern            基于文件名篩選文本文件的正則表達(dá)式，默認(rèn)根據(jù)后綴篩選幾種文本類型
    @param  skip_when_error    默認(rèn)True，單個(gè)文件轉(zhuǎn)換出錯(cuò)時(shí)提示并跳過(guò)，否則終止
    '''
    if recursive:
        flist = folder.rglob("*")
    else:
        flist = folder.glob("*")

    p = re.compile(pattern)   # 把正則編譯了，之后應(yīng)該能快一點(diǎn)
    for f in flist:
        if not (f.is_file() and p.match(f.name)):
            continue

        ok, encoding, confidence = text_file_encoding_convert(f, target_encoding, dry_run=dry_run)
        if not ok:
            if skip_when_error:
                print("!> SKIP.")
            else:
                print("!> ABORT.")
                return

用法

既然是批量轉(zhuǎn)換文件，只調(diào)用第二個(gè)函數(shù)就好了，如下：

folder = Path(r"D:\Downloads\Some shit\\")
text_file_encoding_batch_convert(folder, "utf-8", recursive=True)

目標(biāo)目錄為D:\Downloads\Some shit\\，放進(jìn)一個(gè)Path 對(duì)象里，作為第一個(gè)參數(shù)傳進(jìn)去。第二個(gè)參數(shù)是目標(biāo)編碼，第三個(gè)參數(shù)必須寫(xiě)明參數(shù)名稱recursive，用來(lái)指定要不要遍歷子文件夾，默認(rèn)是False，為了避免意外情況。直接這么運(yùn)行的話，輸出的信息應(yīng)該類似這樣：

-> [NO WET] main.c : gb2312 ⇒ utf-8

[NO WET] 意思就是DRY [doge]，也就是沒(méi)有實(shí)際修改源文件，只是讓你大致看看輸出信息對(duì)不對(duì)勁，實(shí)際運(yùn)行的話再加一個(gè)參數(shù)：

text_file_encoding_batch_convert(folder, "utf-8", recursive=True, dry_run=False)

順便一說(shuō)，輸出信息都是英文的，因?yàn)榇蠡飸?yīng)該都遇到過(guò)控制臺(tái)輸出中文亂碼的問(wèn)題，反正也沒(méi)幾個(gè)單詞。剩下兩個(gè)參數(shù)，skip_when_error 放著別管就行，沒(méi)什么用；pattern 是匹配文件名的正則表達(dá)式，只有匹配的文件會(huì)被處理，可以自己設(shè)置；默認(rèn)的正則只匹配了幾種容易遇到亂碼問(wèn)題的文本文件，匹配的太多了也可能錯(cuò)殺，需要的話往括號(hào)里加就行。

以上就是關(guān)于“Python如何實(shí)現(xiàn)自動(dòng)識(shí)別并批量轉(zhuǎn)換文本文件編碼”這篇文章的內(nèi)容，相信大家都有了一定的了解，希望小編分享的內(nèi)容對(duì)大家有幫助，若想了解更多相關(guān)的知識(shí)內(nèi)容，請(qǐng)關(guān)注億速云行業(yè)資訊頻道。