如题，很简单，就是先用chardet 库识别文件编码，解码之后再输出成目标编码。算是个偶尔能用上的小工具，要用的时候万一没有就很难受的那种，比如，网上下载了别人的项目文件，一打开全是乱码……
代码
加了比较详细的注释~~ 看懂的要求应该不高，平时用过Python，知道几个常用库就行。
from pathlib import Path
import chardet
import re
def text_file_encoding_convert(f: Path, target_encoding: str, *, dry_run=False) -> (bool, str, float):
''' 转换单个文件到目标编码
@param f 文件路径
@param target_encoding 目标编码，比如urf-8
@param dry_run 为True 时不实际修改源文件
@return 返回三个值分别为（是否成功，估计的源文件编码，估计的把握）
'''
target_encoding = target_encoding.lower() # python 的标准编码名称都是小写
raw = f.read_bytes()
result = chardet.detect(raw)
encoding = result["encoding"].lower() # chardet 估计出来的编码名称
confidence = result["confidence"] # 估计的把握
flag = True
# 下面的单次for 循环用来避免重复写return 语句，break 后统一跳到最后return # Python学习交流裙 872937351
for _d（￣_￣）b_ in (1,):
if encoding == target_encoding or encoding == "ascii" and target_encoding == "utf-8":
# 目标编码和源编码相同时不用做处理。utf-8 编码和ASCII 兼容，原编码为ASCII 时转换到utf-8 不会有变化，所以也跳过
print(f"-> [NO CONVERSION NEEDED] {f.name}: {encoding} ==> [ {target_encoding} ]")
break
try:
text = raw.decode(encoding)
except:
print(f"!> Encoding err: {f.name}, detected: {encoding}, {confidence}.")
flag = False
break
if dry_run:
print(f"-> [ NO WET ] {f.name}: {encoding} ==> [ {target_encoding} ]")
else:
# 必须先用目标编码转换成字节数组，然后按字节写入源文件
# 如果按文本方式写入，就会遇到喜闻乐见的CR LF 换行问题，
# 源文件中的CR LF 换行会被自动变成CR CR LF，也就是多了一堆空行。
out = text.encode(target_encoding)
f.write_bytes(out)
print(f"-> {f.name}: {encoding} ==> [ {target_encoding} ]")
return (flag, encoding, confidence)
def text_file_encoding_batch_convert(
folder: Path,
target_encoding: str,
*,
dry_run=True,
recursive=False,
pattern=".*(c|h|txt|cxx|cpp|hpp|hxx|csv|asm)$",
skip_when_error=True,
):
''' 批量转换一个目录下文本文件的编码
Python学习交流群 872937351
@param folder 目标目录
@param target_encoding 目标编码
@param dry_run 不实际修改源文件，避免手滑写错
@param recursive 包括所有子文件夹下的文件
@param pattern 基于文件名筛选文本文件的正则表达式，默认根据后缀筛选几种文本类型
@param skip_when_error 默认True，单个文件转换出错时提示并跳过，否则终止
'''
if recursive:
flist = folder.rglob("*")
else:
flist = folder.glob("*")
p = re.compile(pattern) # 把正则编译了，之后应该能快一点
for f in flist:
if not (f.is_file() and p.match(f.name)):
continue
ok, encoding, confidence = text_file_encoding_convert(f, target_encoding, dry_run=dry_run)
if not ok:
if skip_when_error:
print("!> SKIP.")
else:
print("!> ABORT.")
return
用法
既然是批量转换文件，只调用第二个函数就好了，如下：
folder = Path(r"D:\Downloads\Some shit\\")
text_file_encoding_batch_convert(folder, "utf-8", recursive=True)
目标目录为D:\Downloads\Some shit\，放进一个Path 对象里，作为第一个参数传进去。第二个参数是目标编码，第三个参数必须写明参数名称recursive，用来指定要不要遍历子文件夹，默认是False，为了避免意外情况。直接这么运行的话，输出的信息应该类似这样：
-> [NO WET] main.c : gb2312 ⇒ utf-8
[NO WET] 意思就是DRY [doge]，也就是没有实际修改源文件，只是让你大致看看输出信息对不对劲，实际运行的话再加一个参数：
text_file_encoding_batch_convert(folder, "utf-8", recursive=True, dry_run=False)
顺便一说，输出信息都是英文的，因为大伙应该都遇到过控制台输出中文乱码的问题，反正也没几个单词。剩下两个参数，skip_when_error 放着别管就行，没什么用；pattern 是匹配文件名的正则表达式，只有匹配的文件会被处理，可以自己设置；默认的正则只匹配了几种容易遇到乱码问题的文本文件，匹配的太多了也可能错杀，需要的话往括号里加就行。
对了，上面的代码和这篇文章一样，使用 CC - BY SA 4.0 协议。
发表评论