我正在嘗試使用 Python 3's 解碼一些電子郵件文本bytes.decode(encoding)，其中encoding來自charset電子郵件標題的字段。問題：一些電子郵件將“cp-850”列為他們的字符集，同時decode()接受“cp850”。如果我只是去掉連字符，那么另一個像 iso-8859-6 這樣的代碼集就會變成 iso88596，這是一種無法識別的編碼。如何在encoding不創建更多未知編碼的情況下清理 arg ？[編輯] 后續問題：如何email.message.Message以 接受的格式（別名）從對象中獲取字符集bytes.decode()？[編輯] 澄清了問題。以前當我指的是字符集時使用了錯誤的術語“內容編碼”。
2 回答
紅糖糍粑
TA貢獻1815條經驗 獲得超6個贊
該email.charset模塊包含從IANA字符集標簽到Python內部使用的別名的映射; 但是有可能您根本不需要自己做.
這是Python文檔中該模塊的“示例”頁面中的示例的改編本email
import email
from email.policy import default
with open('/path/to/file', 'rb') as fp:
msg = email.message_from_binary_file(fp, policy=default)
for part in msg.walk():
# multipart/* are just containers
if part.get_content_maintype() == 'multipart':
continue
charset = part.get_content_charset()
if charset is not None:
print('=== charset {} ==='.format(charset))
print(part.get_content())
這將為您提供部件字符集的 IANA 字符集標簽；但是（默認情況下email.policy）文本有效負載將已為您解碼為 Unicode，因此您根本不需要自己轉換它。
該email庫已在Python 3.5中正式進行了檢修（在Python 3.3中已經非正式地進行了檢修），并使用了基于策略的系統，該系統允許您在確實需要時接管消息解析的某些部分；但是對于格式正確的符合標準的消息（以及一些常見的突變），您可以放心讓Python標準庫為您完成工作。
但是，正如您所指出的cp-850，正是由于您陳述的原因，該代碼實際上無法與身體部位一起使用。你會期望這會起作用，但它不會：
# FIXME: broken code, doesn't help
import email.charset as email_charset
email_charset.add_alias('cp-850', 'cp850')
相反，您必須破解Python的encodings模塊以支持該別名：
import encodings
encodings.aliases.aliases['cp_850'] = 'cp850'
還應注意的是，別名令人困惑地是如何有一個下劃線，然后該下劃線被映射為某些內部黑色巫毒魔法中的短劃線。
添加回答
舉報
0/150
提交
取消