分享一个这两天遇到焦头烂额的问题 在 M$ Windows 上档名有时会碰到表意文字补充区[1]的字 他不列在 CP950 (Big5) 里, 可是档名确实存在该字 如果用 Python os.listdir() 或 Popen('dir',...) 读出来的话, 会自动转为 CP950 的同义字 (也就是说该字会被偷偷改成别的字) .. [1]: http://en.wikipedia.org/wiki/CJK_Compatibility_Ideographs_Supplement 这里举一个表意文字的例子:: >>> s = u'\u57fa\uf90a' >>> print s 基金 >>> s.encode('CP950') Traceback (most recent call last): File "<stdin>", line 1, in <module> UnicodeEncodeError: 'cp950' codec can't encode character u'\uf90a' in position 1: illegal multibyte sequence 从 print out 的结果看来, 这个 "金" 字没有异常 但事实上他根本不是一般的 "金" 字 (正常的 "金" 理应为 u'\u91d1') 在 M$ Windows 上, 如果复制 ``print s`` 的结果存成一个档名, 将会遇到以下状况:: >>> import os; A = os.listdir('.'); A ['\xb0\xf2\xaa\xf7'] >>> A[-1].decode('CP950') u'\u57fa\u91d1' >>> open(A[-1]) Traceback (most recent call last): File "<stdin>", line 1, in <module> IOError: [Errno 2] No such file or directory: '\xb0\xf2\xaa\xf7' 显然原因是 "金" 那个字从根本上被改掉了, 所以档案找不到 然後? 然後我们设计的程式就爆炸了.....(上百个档案都有这个字....) 原来正确的作法是 **给予 path 时就使用 unicode** :: >>> import os; A = os.listdir(u'.'); A [u'\u57fa\uf90a'] 往後所有字串都使用 unicode 操作, 就不会爆炸了 据说事实上 M$ Windows 存档名就是用 unicode 我还没找到 "nt" 这个内建的 module 的 source code , 还不清楚它是 怎麽实作/呼叫哪个函数 的 -- 因为 BBS 上不吃 u'\uf90a', 所以直接从上面文字叙述中复制 "金" 字是没用的喔! 当我复制贴上文章的那一瞬间, u'\uf90a' 又被转成 u'\u91d1' 了... --

※ 发信站: 批踢踢实业坊(ptt.cc) ◆ From: 140.113.136.219