Python如何實現自動識別并批量轉換文本文件編碼

這篇“Python如何實現自動識別并批量轉換文本文件編碼”文章的知識點大部分人都不太理解，所以小編給大家總結了以下內容，內容詳細，步驟清晰，具有一定的借鑒價值，希望大家閱讀完這篇文章能有所收獲，下面我們一起來看看這篇“Python如何實現自動識別并批量轉換文本文件編碼”文章吧。

如題，很簡單，就是先用chardet 庫識別文件編碼，解碼之后再輸出成目標編碼。算是個偶爾能用上的小工具，要用的時候萬一沒有就很難受的那種，比如，網上下載了別人的項目文件，一打開全是亂碼

代碼

加了比較詳細的注釋~~ 看懂的要求應該不高，平時用過Python，知道幾個常用庫就行。

from pathlib import Path
import chardet
import re

def text_file_encoding_convert(f: Path, target_encoding: str, *, dry_run=False) -> (bool, str, float):
    ''' 轉換單個文件到目標編碼
    @param  f                   文件路徑
    @param  target_encoding     目標編碼，比如urf-8
    @param  dry_run             為True 時不實際修改源文件

    @return  返回三個值分別為（是否成功，估計的源文件編碼，估計的把握）
    '''
    target_encoding = target_encoding.lower()    # python 的標準編碼名稱都是小寫
    raw = f.read_bytes()
    result = chardet.detect(raw)
    encoding = result["encoding"].lower()     # chardet 估計出來的編碼名稱
    confidence = result["confidence"]    # 估計的把握
    flag = True

    # 下面的單次for 循環用來避免重復寫return 語句，break 后統一跳到最后return
    for _d（￣_￣）b_ in (1,):
        if encoding == target_encoding or encoding == "ascii" and target_encoding == "utf-8":
            # 目標編碼和源編碼相同時不用做處理。utf-8 編碼和ASCII 兼容，原編碼為ASCII 時轉換到utf-8 不會有變化，所以也跳過
            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:
            # 必須先用目標編碼轉換成字節數組，然后按字節寫入源文件
            # 如果按文本方式寫入，就會遇到喜聞樂見的CR LF 換行問題，
            # 源文件中的CR LF 換行會被自動變成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,
):
    ''' 批量轉換一個目錄下文本文件的編碼
    @param  folder             目標目錄
    @param  target_encoding    目標編碼
    @param  dry_run            不實際修改源文件，避免手滑寫錯
    @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式，默認根據后綴篩選幾種文本類型
    @param  skip_when_error    默認True，單個文件轉換出錯時提示并跳過，否則終止
    '''
    if recursive:
        flist = folder.rglob("*")
    else:
        flist = folder.glob("*")

    p = re.compile(pattern)   # 把正則編譯了，之后應該能快一點
    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

既然是批量轉換文件，只調用第二個函數就好了，如下：

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

目標目錄為D:\Downloads\Some shit\\，放進一個Path 對象里，作為第一個參數傳進去。第二個參數是目標編碼，第三個參數必須寫明參數名稱recursive，用來指定要不要遍歷子文件夾，默認是False，為了避免意外情況。直接這么運行的話，輸出的信息應該類似這樣：

-> [NO WET] main.c : gb2312 ⇒ utf-8

[NO WET] 意思就是DRY [doge]，也就是沒有實際修改源文件，只是讓你大致看看輸出信息對不對勁，實際運行的話再加一個參數：

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

順便一說，輸出信息都是英文的，因為大伙應該都遇到過控制臺輸出中文亂碼的問題，反正也沒幾個單詞。剩下兩個參數，skip_when_error 放著別管就行，沒什么用；pattern 是匹配文件名的正則表達式，只有匹配的文件會被處理，可以自己設置；默認的正則只匹配了幾種容易遇到亂碼問題的文本文件，匹配的太多了也可能錯殺，需要的話往括號里加就行。

以上就是關于“Python如何實現自動識別并批量轉換文本文件編碼”這篇文章的內容，相信大家都有了一定的了解，希望小編分享的內容對大家有幫助，若想了解更多相關的知識內容，請關注億速云行業資訊頻道。