修复损坏的编码（使用 Python）

我有一堆文本文件包含编码错误的韩语字符。具体来说，字符似乎是用 EUC-KR 编码的，但文件本身是用 UTF8+BOM 保存的。

到目前为止，我成功修复了一个文件，内容如下：

1. 使用 EditPlus 打开文件（它显示文件的编码是UTF8+BOM)
2. 在 EditPlus 中，将文件另存为ANSI

3. 最后，在Python中：

   with codecs.open(html, 'rb', encoding='euc-kr') as source_file:
       contents = source_file.read()
   
   with open(html, 'w+b') as dest_file:
       dest_file.write(contents.encode('utf-8'))
   

我想自动化这一点，但我一直没能做到。我可以用Python打开原始文件：

codecs.open(html, 'rb', encoding='utf-8-sig')

但是，我一直无法弄清楚如何做2. part.

我假设你有文字already编码为EUC-KR，然后编码again为 UTF-8。如果是这样，编码为 Latin 1（Windows 称之为 ANSI）确实是恢复原始 EUC-KR 字节串的最佳方法。

打开带有 BOM 的 UTF8 文件，编码为 Latin1，解码为 EUC-KR：

import io

with io.open(html, encoding='utf-8-sig') as infh:
    data = infh.read().encode('latin1').decode('euc-kr')

with io.open(html, 'w', encoding='utf8') as outfh:
    outfh.write(data)

我正在使用io.open()功能 http://docs.python.org/2/library/io.html#io.open在这里而不是codecs作为更稳健的方法；io是新的 Python 3 库，也向后移植到 Python 2。

Demo:

>>> broken = '\xef\xbb\xbf\xc2\xb9\xc3\x8c\xc2\xbc\xc3\xba'
>>> print broken.decode('utf-8-sig').encode('latin1').decode('euc-kr')
미술