在python中从文本文件中剥离二进制数据

Question

我有一个包含一些二进制数据的文本文件。 当我使用Python 3在文本模式下读取文件时，出现以下代码行的UniCodeDecodeError（编解码器无法解码字节...）：

fo = open('myfile.txt, 'r')
for line in inFile:

如何从文件中删除二进制数据。 我有一个在每个二进制数据之前打印的标题（在这种情况下，它显示为数据块）。 例如，我的文件看起来像是要删除çºí？¼Èדñdí”的文件：

myfile.txt文件：

ABCDEFGH
123456
Data Block 11
çºí?¼Èדñdí
XYZ123

我想要的结果是myfile.txt看起来像这样：

ABCDEFGH
123456
Data Block 11
XYZ123

Answer 1

这很困难，因为“二进制”斑点可能包含有效字符或字符序列。 而且，如果您使用的是带有多字节编码的“文本”文件，那就别管它了。

如果您知道文件中的“文本”仅包含单字节字符，则一种方法是将文件读取为字节，然后使用类似

encode('ascii', error='ignore')

这可以有效地从输出中去除非ASCII字符，但是如果要在文件上执行此操作，则会得到：

ABCDEFGH
123456
Data Block
?d
XYZ123

请注意倒数第二行-在blob中找到了有效的ascii字符并将其视为“文本”。

您可以从这样的解决方案开始，然后对其进行微调（如果可能）以满足您的需求。 可能是斑点本身在行上出现，因此，如果一行中有任何非ASCII字符，请完全丢弃整个行。 也许您可以看一下斑点并尝试使用它的某些结构。 也许您只是满足于在那里有部分字符的随机行，然后以某种方式处理它们。 这是特定于应用程序的。

这是我用来从示例输入生成该输出的代码：

def strip_nonascii(b):
    return b.decode('ascii', errors='ignore')

with open('garbled.txt', 'rb') as f:
    for line in f:
        print(strip_nonascii(line), end='')

Answer 2

如果在二进制数据之后也有页脚（例如具有标头），请尝试使用regexp将标头/页脚之间的所有内容全部替换为空吗？