Python은 euc-kr 인코딩 (코덱, 인코딩 모듈)을 사용하여 예상치 못한 방식으로 (한국어) 문자를 인코딩합니다.

Question

'euc-kr'로 인코딩 된 한국어 텍스트 파일을 파이썬에서 읽으려고했으나 오류가 발생했습니다. encodings 모듈을 잠시 살펴본 후이 모듈이 한국어 문자를 매우 이상하게 인코딩한다는 것을 알게되었습니다. 나를

이

탇이 (AN 거의 사용되지 않는 문자입니다,하지만 난 발음 사전이 필요하는) EUC-KR 사양에 따라 B5 (e)로 인코딩하도록되어 한국어 문자가 (내가 언급 한 예를 보자 this site). 그러나 encodings 모듈은 나에게 다소 다른 결과를 준다. 당신이 볼 수 있듯이 나는 B5 (e) 및 euc_kr.codec.encode 나에게 내가 기대했던 것보다 더 바이트를 제공 디코딩 할 때

# python3 
>> from encodings import euc_kr 
>> euc_kr.codec.decode(b'\xB5\x6E') 
Traceback (most recent call last): 
    File "<stdin>", line 1, in <module> 
UnicodeDecodeError: 'euc_kr' codec cant decode byte 0xb5 in position 0: illegal multibyte sequence 
>> euc_kr.codec.encode('탙') 
(b'\xa4\xd4\xa4\xbc\xa4\xbf\xa4\xbc', 1) 

, 나는 오류가 발생합니다. 나는 거기에 무슨 일이 일어나는지 전혀 모른다. B5 6E (및 다른 많은 한국어 문자)을 디코딩 할 때 오류를 발생시키지 않으려면 어떻게해야합니까? EUC-KR 사양에 대한 또 다른 문서가 있습니까? EUC-KR의 Python 구현이 어떻게 작동하는지 이해하기 위해 읽을 수 있습니까?

Answer 1

euc_kr 결과가 분해되는 것처럼 보입니다.

윈도우의 기본 한국어 코드 페이지 (코드 페이지 949) EUC-KR의 독점적하지만, 상위 호환 확장 ...

일부 실험 : 당신은 따라 Wikipedia에 cp949을 시도 할 수 있습니다 :

>>> s = '탇' 
>>> ud.name(s) 
'HANGUL SYLLABLE TAD' 
>>> s.encode('euc_kr') 
b'\xa4\xd4\xa4\xbc\xa4\xbf\xa4\xa7' 
>>> s.encode('euc_kr').decode('cp949') 
'ㅤㅌㅏㄷ' 
>>> for c in s.encode('euc_kr').decode('cp949'): 
...  print(ud.name(c)) 
...  
HANGUL FILLER 
HANGUL LETTER THIEUTH 
HANGUL LETTER A 
HANGUL LETTER TIKEUT 
>>> s.encode('cp949').hex() 
'b56e'