Python用euc-kr编码（编解码器，编码模块）以意想不到的方式编码（韩文）字符

Question

我尝试读取python中'euc-kr'编码的一些韩文文件，但是出现了一些错误。在对encodings模块进行了一段时间的检查之后，我了解到这个模块对韩文字符的编码看起来很奇怪。让我举一个例子

韩文字符탇（这是一个很少使用的字符，但我需要这个发音）应该根据EUC-KR规范进行编码，以B5 6E（我指this site）。但是编码模块给了我不同的结果。

# 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，我得到一个错误，当我尝试解码B5 6E和euc_kr.codec.encode给我，比我预期的要长字节。我不知道那里发生了什么。当我解码B5 6E（以及许多其他韩语字符）时，如何避免产生错误？有没有关于EUC-KR规范的另一个文档，我可以阅读它以了解EUC-KR的python实现如何工作？

Answer 1

它看起来像euc_kr结果是某种分解。你可以尝试cp949，它根据Wikipedia：

Windows的默认朝鲜代码页（代码页949）是EUC-KR的专利，但向上兼容扩展...

一些试验：

>>> 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'