- mongodb - 在 MongoDB mapreduce 中,如何展平值对象?
- javascript - 对象传播与 Object.assign
- html - 输入类型 ="submit"Vs 按钮标签它们可以互换吗?
- sql - 使用 MongoDB 而不是 MS SQL Server 的优缺点
在工作中,似乎没有一周没有一些与编码相关的阴谋、灾难或灾难。这个问题通常源于程序员认为他们可以在不指定编码的情况下可靠地处理“文本”文件。但你不能。
所以决定从今以后禁止文件名以 *.txt
结尾。或 *.text
.他们的想法是,这些扩展会误导普通程序员对编码产生一种沉闷的自满情绪,这会导致处理不当。最好没有
扩展,因为至少你知道你不知道你有什么。
然而,我们不会走那么远。相反,您应该使用以编码结尾的文件名。例如,对于文本文件,这些将类似于 README.ascii
, README.latin1
, README.utf8
等
对于需要特定扩展名的文件,如果可以在文件本身内部指定编码,例如在 Perl 或 Python 中,那么您应该这样做。对于像 Java 源代码这样在文件内部不存在此类功能的文件,您将在扩展名之前放置编码,例如 SomeClass-utf8.java
.
对于输出,UTF-8 将是 强烈首选。
但是对于输入,我们需要弄清楚如何处理我们代码库中名为 *.txt
的数千个文件。 .我们想重命名所有这些以适应我们的新标准。但我们不可能把它们全都盯上。所以我们需要一个真正有效的库或程序。
它们有不同的 ASCII、ISO-8859-1、UTF-8、Microsoft CP1252 或 Apple MacRoman。尽管我们知道我们可以判断某些东西是否是 ASCII,并且我们可以很好地了解某些东西是否可能是 UTF-8,但我们对 8 位编码感到困惑。因为我们在混合 Unix 环境(Solaris、Linux、Darwin)中运行,大多数桌面都是 Mac,所以我们有很多烦人的 MacRoman 文件。而这些尤其是一个问题。
一段时间以来,我一直在寻找一种方法来以编程方式确定哪些
README
文件,大多数在 50k 到 250k 的大小范围内,并且许多更大。任何超过几 K 的大小都保证是英文的。
最佳答案
首先,简单的情况:
ASCII码
如果您的数据不包含 0x7F 以上的字节,则它是 ASCII。 (或 7 位 ISO646 编码,但那些已经过时了。)
UTF-8
如果您的数据验证为 UTF-8,那么您可以放心地假设它是 UTF-8。由于 UTF-8 的严格验证规则,误报极为罕见。
ISO-8859-1 与 windows-1252
这两种编码之间的唯一区别是 ISO-8859-1 具有 C1 控制字符,而 windows-1252 具有可打印字符 €‚ƒ„…†‡ˆ‰Š‹ŒŽ''“”•–—˜™š› -žŸ。我见过很多使用大引号或破折号的文件,但没有一个使用 C1 控制字符。因此,甚至不要理会它们或 ISO-8859-1,只需检测 windows-1252。
现在你只剩下一个问题了。
你如何区分MacRoman和cp1252?
这要棘手得多。
未定义字符
在 windows-1252 中不使用字节 0x81、0x8D、0x8F、0x90、0x9D。如果它们发生,则假设数据是 MacRoman。
相同的字符
字节 0xA2 (¢)、0xA3 (£)、0xA9 (©)、0xB1 (±)、0xB5 (µ) 在两种编码中恰好相同。如果这些是唯一的非 ASCII 字节,那么选择 MacRoman 还是 cp1252 都没有关系。
统计方法
计算您知道是 UTF-8 的数据中的字符(不是字节!)频率。确定最常见的字符。然后用这个数据来判断是cp1252还是MacRoman字符更常见。
例如,在我刚刚对 100 篇随机英文维基百科文章进行的搜索中,最常见的非 ASCII 字符是 ·•–é°®’èö—
.基于这个事实,
关于java - 如何可靠地猜测 MacRoman、CP1252、Latin1、UTF-8 和 ASCII 之间的编码,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/4198804/
我对自定义 CSS 或在将图像作为 Logo 上传到页面时使用编码 block 有疑问。我正在为我的网站使用 squarespace,我需要帮助编码我的 Logo 以使其适合每个页面。一个选项是使用自
如 encoding/json 包文档中所述, Marshal traverses the value v recursively. If an encountered value implement
我必须做一些相当于Java中的iconv -f utf8 -t sjisMS $INPUT_FILE的事情。该命令在 Unix 中 我在java中没有找到任何带有sjisMS的编码。 Java中有Sh
从 PHP 5.3 迁移到 PHP 5.6 后,我遇到了编码问题。我的 MySQL 数据库是 latin1,我的 PHP 文件是 windows-1251。现在一切都显示为“ñëåäíèòå àäðå
我有一个 RScript文件(我们称之为 main.r ),它引用了另一个文件,使用以下代码: source("functions.R") 但是,当我运行 RScript 文件时,它提示以下错误:
我无法设法从 WSDL 创建 RPC/编码风格的代码 - 有谁知道哪个框架可以做到这一点? 带有 adb 和 xmlbeans 映射的 Axis2 无法正常工作(无法处理响应中的肥皂编码)直接使用 X
安装了最新版本的Node.Js()和npm包**(1.2.10)**当我运行 Express 命令来生成项目时,它向我抛出以下错误 buffer.js:240 switch (encoding &
JavaScript中有JSON编码/解码base64编码/解码函数吗? 最佳答案 是的,btoa() 和 atob() 在某些浏览器中可以工作: var enc = btoa("this is so
>>> unicode('восстановление информации', 'utf-16') Traceback (most recent call last): File "", line
我当然熟悉 java.net.URLEncoder 和 java.net.URLDecoder 类。但是,我只需要 HTML 样式的编码。 (我不想将 ' ' 替换为 '+' 等)。我不知道任何只做
有一个非常简单的 SSIS 包: OLE DB Source 通过 View 获取数据(数据库表 nvarchar 或 nchar 中的所有字符串列)。 派生列,用于格式化现有日期并将其添加到数据集(
我正在使用一个在 Node 中进行base64编码的软件,如下所示: const enc = new Buffer('test', 'base64') console.log(enc) 显示: 我正
我试图将带有日语字符的数据插入到 oracle 数据库中。事情是保存在数据库中的是一堆倒置的问号。我该如何解决这个问题 最佳答案 见 http://www.errcode.net/blogs/?p=6
当我在 java 中解压 zip 文件时,我发现文件名中出现了带有重音字符的奇怪行为。 西索: Add File user : L'equipe Technique -- Folder : spec
在网上冲浪我找到了 ExtJS 的 Ext.Gantt 插件,该扩展有一个特殊的编码。任何人都知道如何编码那样或其他复杂的形式。 Encoded Gantt Chart 最佳答案 它似乎被 Dean
我正在用C语言做一个编码任务,我进展顺利,直到读取符号并根据表格分配相应的代码的部分。我必须连接几个代码,直到它们的长度达到 32 位,为此我必须将它们写入一个文件中。这种写入文件的方法给我带来了很多
我有一个外部链接的 javascript 文件。在那个 javascript 里面,我有这个功能: function getMonthNumber(monthName){ monthName = mo
使用mechanize,我检索到一个网页的源页面,其中包含一些非ASCII字符,比如汉字。 代码如下: #using python2.6 from mechanize import Browser b
我有一个包含字母 ø 的文件。当我用这段代码 File.ReadLines(filePath) 读取它时,我得到了一个问号而不是它。 当我像这样添加编码时 File.ReadLines(filePat
如何翻译下面的字符串 H.P. Dembinski, B. K\'{e}gl, I.C. Mari\c{s}, M. Roth, D. Veberi\v{c} 进入 H. P. Dembinski,
我是一名优秀的程序员,十分优秀!