Python 用蟒蛇和诱变剂进行脱毛

我正在读带有诱变剂的莫吉巴基ID3标签。我的目标是修复mojibake，同时学习编码和Python对其的处理

我正在处理的文件有一个

ID3v2

标记，我正在查看它的相册（

TALB

）帧，这是根据

TALB

ID3帧中的编码字节，用拉丁语-1（

ISO-8859-1

）编码的。我知道这个帧中的字节是用

cp1251

（西里尔文）编码的

以下是我目前的代码：

 >>> from mutagen.mp3 import MP3
 >>> mp3 = MP3(paths[0])
 >>> mp3['TALB']
 TALB(encoding=0, text=[u'\xc1\xf3\xf0\xe6\xf3\xe9\xf1\xea\xe8\xe5 \xef\xeb\xff\xf1\xea\xe8'])

现在，如您所见，

mp3['TALB'].text[0]

在这里表示为Unicode字符串。然而，这是莫吉巴的：

 >>> print mp3['TALB'].text[0]
 Áóðæóéñêèå ïëÿñêè

在将这些

cp1251

字节转换为正确的Unicode码点方面，我运气很差。到目前为止，我最好的成绩非常不相称：

>>> st = ''.join([chr(ord(x)) for x in mp3['TALB'].text[0]]); st
'\xc1\xf3\xf0\xe6\xf3\xe9\xf1\xea\xe8\xe5 \xef\xeb\xff\xf1\xea\xe8'
>>> print st.decode('cp1251')
Буржуйские пляски <-- **this is the correct, demojibaked text!**

---

有人能解释一下吗？我不明白当直接在

u''

字符串上操作时，如何使其不解码到7位

ascii

范围

首先，以您知道的编码方式对其进行编码

>>> tag = u'\xc1\xf3\xf0\xe6\xf3\xe9\xf1\xea\xe8\xe5 \xef\xeb\xff\xf1\xea\xe8'
>>> raw = tag.encode('latin-1'); raw
'\xc1\xf3\xf0\xe6\xf3\xe9\xf1\xea\xe8\xe5 \xef\xeb\xff\xf1\xea\xe8'

然后你可以用正确的编码对它进行解码

>>> fixed = raw.decode('cp1251'); print fixed
Буржуйские пляски

---

嘿！有趣！非常感谢你！我想我并没有想到这和我当时所做的事情是一样的，因为我真的不理解你提供的这个编码步骤。我从诱变剂那里得到了一个Unicode字符串（为什么诱变剂在标记指定为8位时输出Unicode？我不知道）。我把这个Unicode编码成一个拉丁-1字符串。由于所有字节都在8位范围内，当我尝试对字符串进行

decode（'cp1251）

解码时，字符串之间的实际区别是什么？为什么Unicode解码失败？失败的原因是解码（enc）与编码（sys.getdefaultencoding（））。解码（enc），而

sys.getdefaultencoding（）

几乎总是

='ascii'

。感谢您提供的澄清。为了澄清我关于编码（“拉丁-1”）步骤的另一个困惑点，我不确定我为什么要先编码为拉丁-1。有人用了

cp1251

，而ID3规范认为它是拉丁语-1，所以我得到了mojibake。我要做的是将

cp1251

转换成Unicode。如果我使用的是笔和键盘，我会在

cp1251

中查找这些错误的Unicode编码的代码点，然后得到真正的Unicode代码点。也许您可以解释一下为什么

u'。解码（enc）

首先必须涉及中间

encode（enc）

？因为您无法解码

unicode

对象。它已经被解码成Unicode代码点。Unicode对象只能编码为ByTestRing，而ByTestRing只能解码为Unicode对象。那么，为什么Python不能将mojibake字符串编码为CP1251呢？很简单，它是一个Unicode对象，在Unicode中\xc1是Á。但是，CP1251没有Á。非常感谢frb和其他所有人。这个问答和帖子真的帮助了我。我现在对这一点的理解让我感到很舒服。据我所知，在我的ID3v2标签中有

cp1251

-由testrings编码。标签错误地指出bytestring是

拉丁语-1

。因此，诱变剂获取这些ByTestRing，并对其进行解码（'latin-1'），向我返回一个

unicode

对象。这个unicode对象是mojibake。为了获得原始的bytestring，我获取

unicode

对象并将其重新编码为拉丁语-1:

{unicode}.encode（'Latin-1'）

。然后我可以执行所需的

{str}.decode（）

>>> fixed = raw.decode('cp1251'); print fixed
Буржуйские пляски