Python正则表达式与拉丁1字符编码？

我有一个包含（我相信）拉丁1编码的文件

但是，我无法将正则表达式与此文件进行匹配

如果我对文件进行cat，它看起来很好：

但是，我找不到字符串：

In [12]: txt = open("b").read()

In [13]: print txt
  <Vw_IncidentPipeline_Report>


In [14]: txt
Out[14]: '\x00 \x00 \x00<\x00V\x00w\x00_\x00I\x00n\x00c\x00i\x00d\x00e\x00n\x00t\x00P\x00i\x00p\x00e\x00l\x00i\x00n\x00e\x00_\x00R\x00e\x00p\x00o\x00r\x00t\x00>\x00\r\x00\n'

In [22]: txt.find("Vw_IncidentPipeline_Report")
Out[22]: -1

In [23]: txt.decode("latin-1")
Out[23]: u'\x00 \x00 \x00<\x00V\x00w\x00_\x00I\x00n\x00c\x00i\x00d\x00e\x00n\x00t\x00P\x00i\x00p\x00e\x00l\x00i\x00n\x00e\x00_\x00R\x00e\x00p\x00o\x00r\x00t\x00>\x00\r\x00\n'

In [25]: txt.decode("utf-16le")
Out[25]: u'\u2000\u2000\u3c00\u5600\u7700\u5f00\u4900\u6e00\u6300\u6900\u6400\u6500\u6e00\u7400\u5000\u6900\u7000\u6500\u6c00\u6900\u6e00\u6500\u5f00\u5200\u6500\u7000\u6f00\u7200\u7400\u3e00\u0d00\u0a00'

[12]中的

：txt=open（“b”）.read（）
在[13]：打印文本
In[14]：txt
输出[14]：“\x00\x00\x00\x00\r\x00\n”
[22]：txt.find（“大众意外事故报告”）
Out[22]：-1
在[23]：txt.decode（“拉丁语-1”）
Out[23]：u'\x00\x00\x00\x00\r\x00\n'
在[25]：txt.decode（“utf-16le”）
Out[25]：u'\u2000\u2000\u3c00\u5600\u7700\u5f00\u4900\u6e00\u6300\u6900\u6400\u6500\u6e00\u7400\u5000\u6900\u7000\u6500\u6c00\u6900\u6500\u5f00\u5200\u6500\u7000\u6f00\u7200\u7400\u3e00\u0d00\u0a00'

---

如何成功解码字符串，以便在其中找到字符串？

您可以尝试模块，查看有关编码的GES是否正确。

可能是UTF-8。你的正则表达式是什么？

不是拉丁文1，而是utf-16大端：

>>> txt = '\x00 \x00 \x00<\x00V\x00w\x00_\x00I\x00n\x00c\x00i\x00d\x00e\x00n\x00t\x00P\x00i\x00p\x00e\x00l\x00i\x00n\x00e\x00_\x00R\x00e\x00p\x00o\x00r\x00t\x00>\x00\r\x00\n'
>>> txt.decode("utf-16be")
u'  <Vw_IncidentPipeline_Report>\r\n'

>>txt='\x00\x00\x00\x00\r\x00\n'
>>>txt.解码（“utf-16be”）
u'\r\n'

---

所以，就这样解码，从此过上幸福的生活；-）

您的编码错误。尝试

txt.decode（“UTF-16BE”）

让我们检查一下iconv

>>> txt='\x00 \x00 \x00<\x00V\x00w\x00_\x00I\x00n\x00c\x00i\x00d\x00e\x00n\x00t\x00P\x00i\x00p\x00e\x00l\x00i\x00n\x00e\x00_\x00R\x00e\x00p\x00o\x00r\x00t\x00>\x00\r\x00\n'
>>> open("txt","w").write(txt)
>>> exit()
$ iconv -f utf-16be txt
  <Vw_IncidentPipeline_Report>

>>txt='\x00\x00\x00\x00\r\x00\n'
>>>打开（“txt”，“w”）。写入（txt）
>>>退出（）
$iconv-f utf-16be txt

---

不，那里没有日语

实际上，它是UTF-18LE，所以我使用：

iconv -f 'UTF-16LE//' -t utf-8 -c

---

不，不是所有的

\x00

s，不可能是utf-8。根据我的回答，从未见过更清晰的UTF-16大端编码。从技术上讲，数据是有效的UTF-8。但谁写的文件交替使用U+0000和ASCII字符？你不是说“这不是拉丁-1”吗？事实上，我认为它是utf-16le。带有utf-16be的iconv是日语的。@Joseph，你可能在文件中的python转义码中使用了iconv吗？如果您使用的是iconv，则需要将

\x00

替换为

NUL

bytes@Bob是的，我的意思是拉丁文1，tx，+1@Joseph，你错了：BE的解码很好，而LE的解码很好（正如你已经展示的），那么你为什么会有不同的想法呢？如果你想用iconv而不是Python，你为什么要把你的问题标记为“Python”，顺便说一句？事实上，我认为这是utf-16le。带utf-16be的iconv是日语的。@Joseph，iconv适合我。你能告诉我们你是怎么得到日语的吗？文件开头有字节顺序标记（

'\xff\xfe'

或

'\xfe\xff'

）吗？除非OP编辑了上面的成绩单，否则文件显然（a）以UTF-16BE编码（b）开头没有BOM。你显然没有试过

chardet

记录用于使用带BOM的UTF-16xE，而不是其他方式。下面是试用它的结果：>>>>chardet.detect（txt）{'confidence'：1.0，'encoding'：'ascii'}>>>字节顺序标记：Unicode可以编码为16位或32位整数，因此您必须知道使用哪种编码。这是字节顺序标记，而不是代码大小标记。其主要目的是标记整数是以bigendian顺序表示还是以littleendian顺序表示。参见

http://en.wikipedia.org/wiki/Byte_order_mark