如何正确解码和重新编码来自 latin-1 的文件名以便打开它答案

【问题标题】：How to properly decode and re-encode a file name from latin-1 in order to open it如何正确解码和重新编码来自 latin-1 的文件名以便打开它
【发布时间】：2019-04-03 12:36:04
【问题描述】：

我正在尝试使用 selenium 打开一个本地文件

driver.get( ('file://' + file ))

其中file 是文件名。

文件名中似乎包含 latin-1 字符：

..\\产品名称——Something Something.html

当我使用file.decode('latin-1') 时，我得到：

..\\产品名称\x96SomethingSomething.html

如果我简单地使用driver.get( ('file://' + file ))，我会得到：

UnicodeDecodeError: 'utf8' codec can't decode byte 0x96 in position 81: invalid start byte

如果我使用driver.get( ('file://' + file.decode('latin_1') ))，我会收到一条错误消息，指出找不到文件：

...fileNotFound&u=file%3A///C%3A/PRODUCT%20NAME%20%C2%96%20Something%20Something.html.

我不能 100% 确定它所期望的编码，但我尝试将文件名重新编码为 unicode 和 utf-8，但没有成功（同样的错误 - 说找不到文件）。

知道如何解决这个问题吗？不幸的是，重命名文件本身不是一个选项。我想正确解码，然后重新编码（其他人推荐的编码三明治）。

【问题讨论】：

标签： python encoding iso-8859-1

【解决方案1】：

想通了。问题是 html 文档有charset='utf-8'，严格来说它不是真的。标题中包含'-'，即cp1252编码。

我通过添加异常和字符纠正功能解决了这个问题：

def selenium_extractor(file):

    def charset_correct(filename):
        try:
            return ''.join([char.decode('cp1252') for char in filename])
        except:
            # EXTEND WITH FURTHER DECODINGS
            traceback.print_exc()
            sys.exit(1)


    driver = webdriver.Firefox()

    try:
        driver.get( 'file://' + file)
        driver.quit()

    except UnicodeError:
        driver.get( 'file://' + charset_correct(file))
        driver.quit()

【讨论】：