给你一个小编码难题。
对 SourceForge 跟踪器项目的评论包含字符 U+2014，EM DASH，它由 Web 界面呈现为 —，就像它应该的那样。
然而，在 XML 导出中，它显示为：
—
解码实体，产生这些代码点：
U+00E2 U+20AC U+201D
即字符—。 XML 应该是—，0x2014 的十进制表示，所以这可能是 SF.net 导出器中的错误。
现在我正在寻求反转该过程，但无论我尝试何种错误的编码/解码序列，我都找不到从这个 Unicode 字符获取上述输出的方法。知道这里发生了什么以及如何扭转这个过程吗？
【问题讨论】：
标签： unicode encoding utf-8 character-encoding
XML 输出使用 CP1252 编码不正确。要恢复这种情况，请使用 CP1252 编码将 — 转换为字节，然后使用 UTF-8 编码将这些字节转换回字符串/字符。
基于 Java 的证据：
String s = "—";
System.out.println(new String(s.getBytes("CP1252"), "UTF-8")); // —
请注意，这假定标准输出控制台自己使用 UTF-8 来显示字符。
【讨论】：
u'\u2014'.encode('utf-8').decode('cp1252') 确实给出了u'\xe2\u20ac\u201d'。谢谢！
在 .Net 中，Encoding.UTF8.GetString(Encoding.GetEncoding(1252).GetBytes("—")) 返回 —。
SourceForge 将其转换为 UTF8，将每个字节解释为 CP1252 中的字符，然后使用这些字符的实际 Unicode 代码点将字符保存为三个单独的实体。
【讨论】：
u'\u2014'.encode('utf-8') 给出了'\xe2\x80\x94'，我不明白你是如何从那里到达我上面提到的三个代码点的。
Encoding.GetEncoding(1252).GetString(Encoding.UTF8.GetBytes("—")).Select(c => (int)c) 返回您的代码点。查看我的编辑。
Encoding.Default。