如何用Python为Tandy 1000 Deskmate旧DOC文件编写自定义UTF8解码器

你想要的给.decode()传入自定义映射规则的需求可以通过Python标准库codecs模块的自定义错误处理器实现，这是目前最优雅的实现方式：

方案1：自定义解码错误处理器（推荐） #

该方案无需遍历全部字节，仅在解码遇到非ASCII字节时触发自定义映射逻辑，性能高且符合Python原生解码习惯。

import codecs

# 先填入你手动确认的所有字节到Unicode字符的映射
BYTE_MAP = {
    0xa9: '\u2014',  # 示例：0xa9对应em dash
    # 继续添加其他映射规则，格式为 字节值: '目标Unicode字符'
}

def deskmate_error_handler(exc):
    if isinstance(exc, UnicodeDecodeError):
        err_byte = exc.object[exc.start]
        # 命中映射则返回对应字符，否则返回替换符�
        return (BYTE_MAP.get(err_byte, '\ufffd'), exc.start + 1)
    raise exc

# 注册自定义错误处理器，注册后全局可用
codecs.register_error('deskmate_map', deskmate_error_handler)

# 直接用原生decode方法解码，遇到非ASCII字节自动走自定义映射
# raw_bytes为你已加载的bytearray对象
decoded_text = raw_bytes.decode('ascii', errors='deskmate_map')

# 保存为UTF-8格式文件
with open('转换后的文件.txt', 'w', encoding='utf-8') as f:
    f.write(decoded_text)

方案2：手动遍历字节（适合调试映射规则） #

如果你的映射表还在调整，需要直观看到每个非ASCII字节的处理过程，可以用遍历方案：

# 同上面的BYTE_MAP映射表
BYTE_MAP = {
    0xa9: '\u2014',
    # 其他映射
}

decoded_chars = []
for byte in raw_bytes:
    if byte in BYTE_MAP:
        decoded_chars.append(BYTE_MAP[byte])
    elif byte <= 127:
        # ASCII字符直接转换
        decoded_chars.append(chr(byte))
    else:
        # 未定义的非ASCII字节可先输出日志确认映射规则
        print(f"发现未映射字节: 0x{byte:02x}")
        decoded_chars.append('\ufffd')

decoded_text = ''.join(decoded_chars)

补充说明 #

你提到的chardetect检测结果没有参考价值，原因是文件中非ASCII字符占比极低，chardet没有足够的特征样本判断编码类型，无需采信检测结果，直接使用你手动整理的映射即可。

内容的提问来源于stack exchange，提问作者kroppian