Python编码处理:保留德语特殊字符并解码\x84等rtf转义字符的方法
问题原因
你遇到的转义异常是因为这批德语RTF文件采用了德语地区常用的*Windows-1252(cp1252)*编码,而striprtf默认解码编码不匹配,导致引号这类特殊字符没有被正确识别。你之前用encode("utf-8").decode("ascii")的方案会直接丢弃所有非ASCII字符,自然会同时丢失转义符和德语特殊字符。
解决方案
方案1:读取阶段直接指定编码(优先推荐)
调用rtf_to_text时直接传入正确的编码参数,从源头避免转义问题:
from striprtf import rtf_to_text # 传入cp1252编码参数 raw_text = rtf_to_text("你的转录本路径.rtf", encoding="cp1252")
方案2:修复已读取的异常字符串
如果已经拿到了带\x转义的异常字符串,可以通过单字节编码中转修复,不会丢失任何德语特殊字符:
# 异常字符串示例 bad_str = "Ähm, [..} du kannst ruhig \x84du\x93 sagen." # 先以latin1编码转回字节(单字节编码无信息丢失),再用cp1252解码 fixed_str = bad_str.encode("latin1").decode("cp1252")
如果需要把德语弯引号统一替换为普通直引号,可以再加一步替换操作:
fixed_str = fixed_str.replace("„", '"').replace("“", '"').replace("”", '"')
处理后输出结果为:Ähm, [..} du kannst ruhig "du" sagen.,完全符合需求。
内容的提问来源于stack exchange,提问作者EPoker
相关产品推荐
相关产品推荐

