Python用euc-kr編碼（編解碼器，編碼模塊）以意想不到的方式編碼（韓文）字符

Question

我嘗試讀取python中'euc-kr'編碼的一些韓文文件，但是出現了一些錯誤。在對encodings模塊進行了一段時間的檢查之後，我瞭解到這個模塊對韓文字符的編碼看起來很奇怪。讓我舉一個例子

韓文字符탇（這是一個很少使用的字符，但我需要這個發音）應該根據EUC-KR規範進行編碼，以B5 6E（我指this site）。但是編碼模塊給了我不同的結果。

# 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) 

正如你所看到的，我得到一個錯誤，當我嘗試解碼B5 6E和euc_kr.codec.encode給我，比我預期的要長字節。我不知道那裏發生了什麼。當我解碼B5 6E（以及許多其他韓語字符）時，如何避免產生錯誤？有沒有關於EUC-KR規範的另一個文檔，我可以閱讀它以瞭解EUC-KR的python實現如何工作？

Answer 1

它看起來像euc_kr結果是某種分解。你可以嘗試cp949，它根據Wikipedia：

Windows的默認朝鮮代碼頁（代碼頁949）是EUC-KR的專利，但向上兼容擴展...

一些試驗：

>>> 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'