使用 utf-8 进行 .epub 转换的输出格式不正确

Question

我想将 epub 文件从 .epub 写入 .txt 并只获取文本，我找到了一个库来做。

import epub_conversion

f = open("demofile.txt", "a")
book = open_book("razvansividra.epub")
lines = convert_epub_to_lines(book)

for line in lines:
    f.writelines(str(line.encode("utf-8")))

一切都很好，但主要问题是输出是这种格式：

Carte electronic\xc4\x83 publicat\xc4\x83 cu sprijinul Ministerului Afacerilor Externe \xe2\x80\x93 Departamentul Politici pentru Rela\xc8\x9bia cu Rom\xc3\xa2nii de Pretutindeni.'b' 'b'

'b''b''

像“xc4”这样的字符我假设它们来自我的语言中的特殊字符，因为这本书是用我的语言写的。

Answer 1

您正在进行不必要的编码/解码往返。

检查这个小的交互式会话：

>>> s = 'electronică'
>>> b = s.encode('utf-8')
>>> b
b'electronic\xc4\x83'
>>> str(b)
"b'electronic\\xc4\\x83'"

• 首先，您有一个字符串s，您对其进行编码 - 您将获得一个bytes 对象（注意b'...' 符号）。
• 然后您对其调用 str()，这会将其再次转换回字符串 - 但不是通过解码，而是通过使用额外的引号和转义序列。
• 当您调用f.writelines() 时，该字符串会在内部再次解码以将其写入磁盘。但由于都是 ASCII，最后一步并不明显。

您应该确保从一开始就以正确的编码打开文件。 这样你就不用再使用line.encode('utf-8')了。

因此：

f = open("demofile.txt", "w", encoding="utf-8")

然后：

f.writelines(lines)

请注意，如果您使用writelines，则无需执行for line in lines；它已经打算与可迭代的行一起使用。

打开生成的文件时，请确保使用支持 UTF-8 的编辑器。 值得注意的是，像记事本这样的“简单”Windows 工具通常无法正确显示 UTF-8 文件。