Python：将 RTF 文件转换为 unicode？答案

【问题标题】：Python: convert RTF file to unicode?Python：将 RTF 文件转换为 unicode？
【发布时间】：2010-02-03 13:49:42
【问题描述】：

我正在尝试将 RTF 文件中的行转换为一系列 unicode 字符串，然后对这些行进行正则表达式匹配。（我需要它们是 unicode 以便我可以将它们输出到另一个文件。）

但是，我的正则表达式匹配不起作用 - 我认为是因为它们没有被正确转换为 unicode。

这是我的代码：

usefulLines = []
textData = {}

# the regex pattern for an entry in the db (e.g. SUF 76,22): it's sufficient for us to match on three upper-case characters plus a space
entryPattern = '^([A-Z]{3})[\s].*$'  

f = open('textbase_1a.rtf', 'Ur')
fileLines = f.readlines()

# get the matching line numbers, and store in usefulLines
for i, line in enumerate(fileLines):
    #line = line.decode('utf-16be') # this causes an error: I don't really know what file encoding the RTF file is in...
    line = line.decode('mac_roman')
    print line
    if re.match(entryPattern, line):
        # now retrieve the following lines, all the way up until we get a blank line
        print "match: " + str(i)
        usefulLines.append(i)

目前，这会打印所有行，但不会打印任何匹配的内容 - 尽管它应该匹配。此外，出于某种原因，这些行在开始时以“/par”打印。当我尝试将它们打印到输出文件时，它们看起来很奇怪。

部分问题是我不知道要指定什么编码。我怎样才能找到这个？

如果我使用entryPattern = '^.*$'，那么我会得到匹配。

谁能帮忙？

【问题讨论】：

不要使用正则表达式来解析 rtf 文件。

标签： python unicode

【解决方案1】：

您甚至没有解码 RTF 文件。 RTF 不只是简单的文本文件。例如，包含“äöü”的文件包含以下内容：

{\rtf1\ansi\ansicpg1252\deff0\deflang1031{\fonttbl{\f0\fswiss\fcharset0 Arial;}}

{*\generator Msftedit 5.41.15.1507;}\viewkind4\uc1\pard\f0\fs20\'e4\'f6\'fc\par

}

在文本编辑器中打开时。因此，字符“äöü”被编码为文件开头声明的 windows-1252 (äöü = 0xE4 0xF6 0xFC)。

要阅读 RTF，您首先需要将 RTF 转换为文本的东西（已经 asked here）。

【讨论】：

好吧，我不知道。谢谢。