python seek（）和read（）对文件位置的计数不同

Question

我正在制作一个脚本，在文件的特定位置显示文本。但是seek（）和read（）的计数方式存在差异。事情是这样的。

我的文本文件是：

1
%
2
%
―
%
4
%
5
%
6

第五行中的“-”是一个水平条（unicode 0x2015）而不是短划线。“%”用作分隔符。

以下数据用作文件索引

^{pr2}$

第一列是字符串在文件中的位置（数字），第二列是长度，第三列是要显示的文本（文本文件第1、3、5、7、9、11行中的数字）。

我试图在以下特定位置读取文件：

f = open('myfile.txt', 'r', encoding='utf-8')
f.seek(start)
text = f.read(length)
f.close()

其中“start”和“length”是索引文件的第一列和第二列，“text”是要显示的文本。这对于显示索引文件中除第5行（带有横条的行）以外的所有行的内容非常有用，因为seek（）将水平条的长度解释为3，因此索引文件中的总长度为4（3表示水平条，1 por表示'\n'），而read（）解释水平线的长度作为唯一一个这样创建以下输出：

―
%
(blank space)

也就是说，它包括水平条、它的'\n'、分隔符和它的'\n'（四个字符）。这种影响是累积的，水平条或任何其他不在utf-8中的unicode字符越多，错误显示的行数就会增加。

有什么办法解决这个问题吗？

Answer 1

在python3中，当您以文本模式打开文件时，例如“r”，在您和原始文件之间有一个解码器。在本例中，它是UTF-8解码器。”“文件位置”实际上没有意义，因为文本级别的字符索引与文件中的字节索引不同。此外，python缓存后台以帮助解码。在

解决方案是读入二进制，然后再进行解码

f = open('myfile.txt', 'rb')
f.seek(start)
text = f.read(length).decode(encoding='utf-8')
f.close()

Answer 2

^{}总是以字节为单位，^*不是字符，甚至是for files opened in text mode。在

它不可能远程高效地工作，否则UTF-8文本文件中的第一百万个字符可能位于字节1000000或字节2739184，唯一的方法是返回起始处并对999999个字符进行编码。^**

但是{}只在二进制模式下读取字节；在文本模式下，这些字节会被动态解码为Unicode字符串。（由于您是按顺序读取文件的，这通常不是性能问题，但如果是这样，您总是使用二进制模式。）

如果您想返回一个已知的位置，您可以通过调用tell并稍后再调用seek来“标记”它，但是在其他情况下，查找在文本文件中并不是很有用，当然除了文件的开头或结尾。在

---

_{*事实上，对于文本文件，它甚至没有被记录为字节；除了0或tell返回的“不透明数字”以外的任何内容都会产生“未定义的行为”。我相信它总是会搜索到确切指定的字节位置，但由于解码器管道的工作方式，即使不搜索字符的中间，这也会导致mojibake，尤其是使用移位码的编码。为了处理这些情况，tell会生成特殊的快照，这些快照可以在以后的seek上恢复，但当然文件中的某些随机点没有快照。}

_{**这并不完全正确，你可以在阅读时，或者在你试图寻找的时候，甚至可以通过提前阅读来建立一个偏移表。但是，这绝对不是您希望Python在每个文件上都做的事情，只针对您希望按字符索引查找的少数情况；而是您希望针对您关心的不常见情况进行专门调整。标准库中的^{}模块，因为调试器需要它做大致相同的工作，只要忽略标记器的位，它就带有pretty readable source模块，因此，如果您想自己构建字符索引器，开始可能是一个好的示例代码。}