如何在二進制文件中打印可打印字符（等價於Linux下的字符串）？

Question

我正在從python 2開始將python應用程序轉換爲python 3.我使用的其中一個功能是從二進制文件中獲取可打印字符。我剛纔用下面的python 2的功能和它的偉大工作：

import string 

def strings(filename, min=4): 
    with open(filename, "rb") as f: 
     result = "" 
     for c in f.read(): 
      if c in string.printable: 
       result += c 
       continue 
      if len(result) >= min: 
       yield result 
      result = "" 
     if len(result) >= min: # catch result at EOF 
      yield result 

代碼實際上是從Python equivalent of unix "strings" utility。當我運行與Python 2它產生的輸出這樣上面的代碼是絕對OK對我來說：

+s 
^!1^ 
i*Q(
}"~ 
%lh!ghY 
#dh! 
!`,! 
mL#H 
o!<XXT0 
' < 
z !Uk 
% 
wS 
n` !wl 
*ty 

(Q 6 
!XPLO$ 
E#kF 

然而，函數給出的python 3.奇怪的結果它產生錯誤：

TypeError: 'in <string>' requires string as left operand, not int 

所以我由與此

更換此

if c in string.printable: 

轉換的 'INT' 到 'STR'

（I也被轉換，其中相同的錯誤消息被拋出的所有地方）

現在蟒3給出以下輸出：

56700 
0000000000000000000000000000000000000000 
1236 
60000 
400234 
00000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000 
2340 
0000 
5010 
5000 
17889 
2348 
23400000000 
5600 

我不能看到任何字符時我使用Python 3。讚賞獲得代碼工作或指向解決方案的任何幫助。我所需要的只是從二進制文件中提取字符串（非常小，幾kb），並將其存儲在一個變量中。

Answer 1

在Python 3中，以二進制模式打開文件會給出bytes結果。在bytes對象上執行迭代會給出整數，而不是字符，其範圍爲0到255（含）。從bytes documentation：

While bytes literals and representations are based on ASCII text, bytes objects actually behave like immutable sequences of integers, with each value in the sequence restricted such that 0 <= x < 256

轉換string.printable一組和測試針對：

printable = {ord(c) for c in string.printable} 

和

if c in printable: 

接下來，您要附加到一個bytesarray()對象讓事情變得合理並從ASCII解碼產生str結果：

printable = {ord(c) for c in string.printable} 

with open(filename, "rb") as f: 
    result = bytearray() 
    for c in f.read(): 
     if c in printable: 
      result.append(c) 
      continue 
     if len(result) >= min: 
      yield result.decode('ASCII') 
      result.clear() 
    if len(result) >= min: # catch result at EOF 
     yield result 

而不是由一個遍歷一個字節，你可以代替分裂的任何事情是不打印：

import re 

nonprintable = re.compile(b'[^%s]+' % re.escape(string.printable.encode('ascii'))) 

with open(filename, "rb") as f: 
    for result in nonprintable.split(f.read()): 
     if result: 
      yield result.decode('ASCII') 

我想探索讀取文件中塊而不是一個走;不要試圖去適應一個大文件到內存中的一個去這裏：

with open(filename, "rb") as f: 
    buffer = b'' 
    for chunk in iter(lambda: f.read(2048), b''): 
     splitresult = nonprintable.split(buffer + chunk)    
     buffer = splitresult.pop() 
     for string in splitresult: 
      if string: 
       yield string.decode('ascii') 
    if buffer: 
     yield buffer.decode('ascii') 

緩衝區進行過任何不完整的字，從一個塊到下一個; re.split()分別在開始和結束時產生空值，如果輸入以非打印字符開始或結束。

Answer 2

我相信這會奏效。

作爲發電機：

import string, _io 
def getPrintablesFromBinaryFile(path, encoding='cp1252'): 
    global _io, string 
    buffer = _io.BufferedReader(open(path, 'rb')) 
    while True: 
     byte = buffer.read(1) 
     if byte == b'': 
      return #EOF 
     try: 
      d = byte.decode(encoding) 
     except: 
      continue 
     if d in string.printable: 
      yield d 

作爲功能是僅僅收取getPrintablesFromBinaryFile（）的輸出變換成一個可迭代。

說明：

1. 導入需要的模塊
2. 定義功能
3. 加載模塊
4. 創建緩衝區
5. 從緩衝區
6. 檢查獲得的一個字節，如果它是EOF
7. 如果是，請停止發電機
8. 嘗試使用編碼解碼（如'\xef'不解碼使用UTF-8）
9. 如果是不可能的，它不能是可印刷
10. 如果可打印，收率它

注：cp1252是許多文本文件的編碼