我有一个 UTF-8 文件，在将文件发送到不理解 UTF-8 的消费系统之前，我将其转换为 ISO-8859-1。我们当前的问题是，当我们在 UTF-8 文件上运行 iconv 进程时，一些字符被转换为“？”。目前，对于每个失败的角色，我们一直在提供修复。 我想了解是否可以创建一个包含所有可能的 UTF-8 字符的文件？目的是使用 iconv 降级它们并识别被替换为“？”的字符
【问题讨论】：
标签： utf-8 iso-8859-1 unicode-string iso-8859-2
所有 Unicode 字符的详尽列表对于这个用例来说似乎相当不切实际。非拉丁文字中有数以万计的字符在 Latin-1 中没有任何明显的近似等效字符。
相反，可能会寻找从不在 Latin-1 中的拉丁字符到对应的同形异义词或近似等价物的映射。
一些编程语言为此提供了现有的库；一个常见且简单的转换是尝试从无法用 Latin-1 表示的字符中去除任何重音，如果可行，则使用无重音变体。 （不过，您需要保留任何可以规范化为 Latin-1 的字符的重音。也许还可以阅读有关 Unicode 规范化的信息。）
这是一个快速而肮脏的 Python 尝试。
from unicodedata import normalize
def latinize(string):
"""
Map string to Latin-1, replacing characters which can be approximated
"""
result = []
for char in string:
try:
byte = normalize("NFKC", char).encode('latin-1')
except UnicodeEncodeError:
byte = normalize("NFKD", char).encode('ascii', 'ignore')
result.append(byte)
return b''.join(result)
def convert(fh):
for line in fh:
print(latinize(line), end='')
def main():
import sys
if len(sys.argv) > 1:
for filename in sys.argv[1:]:
with open(filename, 'r') as fh:
convert(fh)
else:
convert(sys.stdin)
if __name__ == '__main__':
main()
【讨论】：
我建议不要查看每个可能的 Unicode 字符（超过 140k 个），而是执行 iconv 替换，然后查看实际问题出在哪里。例如：
iconv -f UTF-8 -t ISO-8859-1 --unicode-subst="<U+%04X>"
这会将不在 ISO-8859-1 中的字符转换为“”语法。然后，您可以在输出中搜索这些。
如果您的数据将被处理 C 样式转义 (\u####) 的东西读取，您也可以使用：
iconv -f UTF-8 -t ISO-8859-1 --unicode-subst="\\u%04x"
【讨论】：