Decodificación de texto de Mac OS en Python

Question

Escribo código para analizar documentos RTF y necesito manejar las distintas páginas de códigos que pueden usar. Python viene con decodificadores para todas las páginas de códigos de Windows necesarios, pero no estoy seguro de cómo manejar los Mac:

# 77: "10000", # Mac Roman 
# 78: "10001", # Mac Shift Jis 
# 79: "10003", # Mac Hangul 
# 80: "10008", # Mac GB2312 
# 81: "10002", # Mac Big5 
# 83: "10005", # Mac Hebrew 
# 84: "10004", # Mac Arabic 
# 85: "10006", # Mac Greek 
# 86: "10081", # Mac Turkish 
# 87: "10021", # Mac Thai 
# 88: "10029", # Mac East Europe 
# 89: "10007", # Mac Russian 

¿El Python tener ningún soporte integrado para estos? Si no, ¿hay una biblioteca de Python pura multiplataforma que los maneje?

Answer 1

Puede utilizar los códecs de pitón para éstos que son conocidos por sus nombres 'mac-roman', 'mac-turco', etc.

>>> 'foo'.decode('mac-turkish') 
u'foo' 

Vas a tener que referirse a ellos por sus nombres , estas cifras que tienes en tu pregunta no aparecen en los archivos fuente. Para obtener más información, consulte $pylib/encodings/mac_*.py.

Answer 2

Parece que al menos las codificaciones Mac Roman y Mac Turkish existen en Python stdlib, bajo los nombres macroman y macturkish. Consulte http://svn.python.org/projects/python/trunk/Lib/encodings/aliases.py para obtener una lista completa de los alias de codificación en la versión más actualizada de Python.

Answer 3

Nº

Sin embargo, unicode.org proporciona archivos de descripción de codec que se pueden utilizar para generar módulos que analizará los códecs. Se incluye con las distribuciones fuente de python una secuencia de comandos que convertirá estos archivos: Python-x.x/Tools/unicode/gencodec.py.