如何解码cp1252字符串？

Question

我正在得到一个mp3标签(ID V1)与eyeD3，并希望了解其编码。以下是我的尝试：

>>> print(type(mp3artist_v1))
<type 'unicode'>

>>> print(type(mp3artist_v1.encode('utf-8')))
<type 'str'>

>>> print(mp3artist_v1)
Zåìôèðà

>>> print(mp3artist_v1.encode('utf-8').decode('cp1252'))
Zåìôèðà 

>>> print(u'Zемфира'.encode('utf-8').decode('cp1252'))
Zемфира

如果我使用online tool对值进行解码，它表示可以通过更改编码Zемфира来将值Zемфира转换为正确的值CP1252 → UTF-8，并通过更改编码(如CP1252 → CP1251 )来转换值Zåìôèðà。

我应该怎么做才能从mp3artist_v1中获取Zемфира？.encode('cp1252').decode('cp1251')工作得很好，但我如何自动理解可能的编码(只有3种编码- cp1251，cp1252，utf-8？我计划使用以下代码：

def forceDecode(string, codecs=['utf-8', 'cp1251', 'cp1252']):
    for i in codecs:
        try:
            print(i)
            return string.decode(i)
        except:
            pass
    print "cannot decode url %s" % ([string]) 

但它没有帮助，因为我应该先用一个字符集编码，然后再用另一个字符集解码。

Answer 1

这

s = u'Zåìôèðà'
print s.encode('latin1').decode('cp1251')
# Zемфира

说明：Zåìôèðà被误认为是unicode字符串，而它实际上是一个字节序列，在cp1251中意味着Zемфира。通过应用encode('latin1')，我们将这个" unicode“字符串转换回字节，使用代码点数字作为字节值，然后将这些字节转换回unicode，告诉解码我们正在使用cp1251。

至于自动解码，下面的暴力破解方法似乎适用于你的例子：

import re, itertools

def guess_decode(s):
    encodings = ['cp1251', 'cp1252', 'utf8']

    for steps in range(2, 10, 2):
        for encs in itertools.product(encodings, repeat=steps):
            r = s
            try:
                for enc in encs:
                    r = r.encode(enc) if isinstance(r, unicode) else r.decode(enc)
            except (UnicodeEncodeError, UnicodeDecodeError) as e:
                continue
            if re.match(ur'^[\w\sа-яА-Я]+$', r):
                print 'debug', encs, r
                return r

print guess_decode(u'Zемфира')
print guess_decode(u'Zåìôèðà')
print guess_decode(u'ZåìôèðÃ\xA0')

结果：

debug ('cp1252', 'utf8') Zемфира
Zемфира
debug ('cp1252', 'cp1251') Zемфира
Zемфира
debug ('cp1252', 'utf8', 'cp1252', 'cp1251') Zемфира
Zемфира