HDF5：如何从h5dump输出解码UTF-8编码字符串？

这问题我之前处理HDF5元数据时也碰到过，h5ls/h5dump对非ASCII字节的输出格式确实有点反直觉——它把每个UTF-8字节当作带符号32位整数转成了八进制字符串，所以才会出现一堆37777777前缀。下面是具体的还原步骤：

1. 先搞懂输出的编码逻辑 #

每个\37777777xxx序列对应一个UTF-8字节：

• 比如\37777777703其实是UTF-8字节0xC3的32位带符号补码八进制表示；\37777777644是0xA4的补码八进制。
• 本质是：8位的字节被扩展成32位带符号整数（高位补1，因为这些字节都是大于127的UTF-8续字节/首字节），然后转成八进制输出。

2. 分步还原的具体操作 #

步骤1：拆分转义序列

把工具输出的字符串按\分割，得到单个的八进制序列：
比如你的输入：

\37777777703\37777777644\37777777703\37777777666\37777777703\37777777674\37777777703\37777777637

拆分后得到：37777777703, 37777777644, 37777777703, 37777777666, 37777777703, 37777777674, 37777777703, 37777777637

步骤2：把八进制序列转成原始字节

对每个序列，先转成带符号整数，再取低8位（和0xFF做按位与），就能得到原始的UTF-8字节值：

• 37777777703 → 转整数是-61 → -61 & 0xFF = 0xC3
• 37777777644 → 转整数是-92 → -92 & 0xFF = 0xA4
  这两个字节组合起来就是UTF-8的ä，和你已知的对应上了。

步骤3：组合字节并解码为UTF-8

把所有转换后的字节按顺序拼成字节数组，再用UTF-8解码，就能得到原始字符串。

3. 用Python一键还原的代码 #

# 复制h5ls/h5dump输出的属性内容
h5_attr_output = r"\37777777703\37777777644\37777777703\37777777666\37777777703\37777777674\37777777703\37777777637"

# 拆分每个八进制转义片段
octal_fragments = h5_attr_output.split("\\")[1:]  # 跳过第一个空元素

# 转换为原始字节数组
raw_bytes = bytes(int(frag, 8) & 0xFF for frag in octal_fragments)

# 解码为UTF-8字符串
original_text = raw_bytes.decode("utf-8")

print(original_text)  # 输出：äöüß

4. 手动验证每个字符的对应关系 #

为了确认逻辑没问题，可以对照UTF-8编码表：

• ä → UTF-8 0xC3 0xA4 → 对应输出序列\37777777703 + \37777777644
• ö → UTF-8 0xC3 0xB6 → 对应\37777777703 + \37777777666
• ü → UTF-8 0xC3 0xBC → 对应\37777777703 + \37777777674
• ß → UTF-8 0xC3 0x9F → 对应\37777777703 + \37777777637

完全匹配你的输入，所以这个方法绝对靠谱。

内容的提问来源于stack exchange，提问作者Dominic