在python中從文本文件中剝離二進制數據

Question

我有一個包含一些二進制數據的文本文件。 當我使用Python 3在文本模式下讀取文件時，出現以下代碼行的UniCodeDecodeError（編解碼器無法解碼字節...）：

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

如何從文件中刪除二進制數據。 我有一個在每個二進制數據之前打印的標題（在這種情況下，它顯示為數據塊）。 例如，我的文件看起來像是要刪除çºí？¼Èדñdí”的文件：

myfile.txt文件：

ABCDEFGH
123456
Data Block 11
çºí?¼Èדñdí
XYZ123

我想要的結果是myfile.txt看起來像這樣：

ABCDEFGH
123456
Data Block 11
XYZ123

Answer 1

這很困難，因為“二進制”斑點可能包含有效字符或字符序列。 而且，如果您使用的是帶有多字節編碼的“文本”文件，那就別管它了。

如果您知道文件中的“文本”僅包含單字節字符，則一種方法是將文件讀取為字節，然后使用類似

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

這可以有效地從輸出中去除非ASCII字符，但是如果要在文件上執行此操作，則會得到：

ABCDEFGH
123456
Data Block
?d
XYZ123

請注意倒數第二行-在blob中找到了有效的ascii字符並將其視為“文本”。

您可以從這樣的解決方案開始，然后對其進行微調（如果可能）以滿足您的需求。 可能是斑點本身在行上出現，因此，如果一行中有任何非ASCII字符，請完全丟棄整個行。 也許您可以看一下斑點並嘗試使用它的某些結構。 也許您只是滿足於在那里有部分字符的隨機行，然后以某種方式處理它們。 這是特定於應用程序的。

這是我用來從示例輸入生成該輸出的代碼：

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

如果在二進制數據之后也有頁腳（例如具有標頭），請嘗試使用regexp將標頭/頁腳之間的所有內容全部替換為空嗎？