问题描述
当我们使用编辑器打开文件时,文件有时候会显示为乱码,也就是说编辑器没有使用正确的编码方式打开文件。此时,我们则需要切换编辑器的编码方式,使用正确的编码方式打开文件。
但是,我们应该如何得知文件的正确编码呢?(除了被告知以外)
该笔记将记录:在 Linix 中,如何获取文件的编码方式,以及如何进行文件编码转换。
问题原因
直接获取文件的编码是不太可能的。虽然文件头可能暗示了文件编码(但其实并没有类似的规范),但也有例外。例如,以 0xEF,0xBB,0xBF 开头的可能是 UTF-8 编码文件,但也可能是 ISO-8859-1 编码文件的  字符串。或者,其他的编码体系中的字符。
主流编辑器识别文件编码的方式是通过猜测(即使 file 命令,有时也会给出错误的文件编码提示),所以编辑器里才会由 File Encoding 功能来切换编码的功能。
解决方案:获取文件编码
注意事项:
1)如上所述,工具获取文件编码的方式是通过猜测,因此工具很有可能会返回错误的文件编码,只是可靠的工具返回的结果更加可靠。
2)当工具猜测出编码之后,我们可以尝试使用该编码方式打开文件,以验证猜测结果是正确;
方案一、使用 file 命令
使用 file 命令,可以获取文件编码:
# file Fontconfig_-_fonts.conf.txt Fontconfig_-_fonts.conf.txt: text/x-zim-wiki, UTF-8 Unicode text
方案二、使用 enca 命令
# apt-get install -y enca # enca Fontconfig_-_fonts.conf.txt enca: Cannot determine (or understand) your language preferences. Please use `-L language', or `-L none' if your language is not supported (only a few multibyte encodings can be recognized then). Run `enca --list languages' to get a list of supported languages. # enca --list language belarusian: CP1251 IBM866 ISO-8859-5 KOI8-UNI maccyr IBM855 KOI8-U bulgarian: CP1251 ISO-8859-5 IBM855 maccyr ECMA-113 czech: ISO-8859-2 CP1250 IBM852 KEYBCS2 macce KOI-8_CS_2 CORK estonian: ISO-8859-4 CP1257 IBM775 ISO-8859-13 macce baltic croatian: CP1250 ISO-8859-2 IBM852 macce CORK hungarian: ISO-8859-2 CP1250 IBM852 macce CORK lithuanian: CP1257 ISO-8859-4 IBM775 ISO-8859-13 macce baltic latvian: CP1257 ISO-8859-4 IBM775 ISO-8859-13 macce baltic polish: ISO-8859-2 CP1250 IBM852 macce ISO-8859-13 ISO-8859-16 baltic CORK russian: KOI8-R CP1251 ISO-8859-5 IBM866 maccyr slovak: CP1250 ISO-8859-2 IBM852 KEYBCS2 macce KOI-8_CS_2 CORK slovene: ISO-8859-2 CP1250 IBM852 macce CORK ukrainian: CP1251 IBM855 ISO-8859-5 CP1125 KOI8-U maccyr chinese: GBK BIG5 HZ none: # enca -L chinese Fontconfig_-_fonts.conf.txt Universal transformation format 8 bits; UTF-8
如下示例,file 命令并没有猜测出文件编码,而 enca 文件则返回正确文件编码:
# file './html/gndy/jddy/20201217/60852.html' ./html/gndy/jddy/20201217/60852.html: HTML document, Non-ISO extended-ASCII text, with very long lines, with CRLF line terminators # enca -L chinese './html/gndy/jddy/20201217/60852.html' Simplified Chinese National Standard; GB2312 CRLF line terminators
解决方案:文件编码转换
命令 enconv 支持文件编码转换(与 enca 同时安装),但是我们使用 iconv 命令。
使用 iconv 命令的方法如下:
# iconv -c -f gb2312 -t UTF-8//IGNORE --output='outputfile' 'inputfile'
更多使用方法,参考 man 1 iconv 手册。
参考文献
How to detect the encoding of a file? - Software Engineering Stack Exchange
shell - How to find encoding of a file via script on Linux? - Stack Overflow
text processing - iconv illegal input sequence- why? - Unix & Linux Stack Exchange
utf 8 - wget and encoding. how to force utf-8? - Stack Overflow
来源:oschina
链接:https://my.oschina.net/u/4948974/blog/4953013