linux - 如何解决 Linux 中损坏的文本文件？

Question

我的一个 UTF-8 编码的 XML 文件发生了一些奇怪的事情。结果，我的 Ubuntu 14.04 桌面认为它是一个二进制文件，任何编辑器都将其显示为充满“奇怪”字符。这是我的案例:

k6ps@laptop520:~/Allalaadimised/File_problem$ ll
kokku 308
drwxrwxr-x 2 k6ps k6ps   4096 dets  15 11:02 ./
drwxr-xr-x 5 k6ps k6ps  20480 dets  15 10:58 ../
-rw-r--r-- 1 k6ps k6ps 134587 dets  15 10:58 bad_file.xml
-rw-r--r-- 1 k6ps k6ps 131930 dets  15 10:58 good_file.xml
k6ps@laptop520:~/Allalaadimised/File_problem$ file -bi good_file.xml 
application/xml; charset=utf-8
k6ps@laptop520:~/Allalaadimised/File_problem$ file -bi bad_file.xml 
application/octet-stream; charset=binary
k6ps@laptop520:~/Allalaadimised/File_problem$ head -n 3 good_file.xml 
<?xml version="1.0" encoding="UTF-8"?>
<logbook>
<threadset name="First">
k6ps@laptop520:~/Allalaadimised/File_problem$ head -n 3 bad_file.xml 
|I��+ˮ���|+��l��]֊ՙ�z�")��l��]֊ՙ�z�")��l��]֊ՙ�z�")��l��]֊ՙ�z�")��l��]֊ՙ�z�"     )��l��]֊ՙ�z�")��l��]֊ՙ�z�")��l��]֊ՙ�z�")��l��]֊ՙ�z�")��l��]֊ՙ�z�")��l��]֊ՙ�z�")��l��]֊ՙ�z�")��l��]֊ՙ�z�")��l��]֊ՙ�z�")��l��]֊ՙ�z�")��l��]֊ՙ�z�")��l��]֊ՙ�z�")��l��]֊ՙ�z�")��l��]֊ՙ�z�")��l��]֊ՙ�z�")��l��]֊ՙ�z�")��l��]֊ՙ�z�")��l��]֊ՙ�z�")��l��]֊ՙ�z�")��l��]֊ՙ�z�")��l��]֊ՙ�z�")��l��]֊ՙ�z�")��l��

.. 还有很多这样的角色。当我在 vi 编辑器或 Scite 中打开文件时，我得到很多这样的字符:

|I^[ ß+Ë®ýþö|+ÆÜ^Pl<8c>ò]Ö<8a>Õ<99><98>z»"^\)<9d>Ãl<8c>ò]Ö<8a>Õ<99><98>z»"^
\)<9d>Ãl<8c>ò]Ö<8a>Õ<99><98>z»"^\)<9d>Ãl<8c>ò]Ö<8a>Õ<99><98>z»"^\)<9d>Ãl<8c>ò]Ö<8a>Õ<99>
<98>z»"^\)<9d>Ãl<8c>ò]Ö<8a>Õ<99><98>z»"^\)<9d>Ãl<8c>ò]Ö<8a>Õ<99><98>z»"^<98>z»"^\)<9d 

...在底部它说:

"bad_file.xml" [Incomplete last line][converted] 138 lines, 214920 characters

十六进制转储输出:

k6ps@laptop520:~/Allalaadimised/File_problem$ hexdump -C bad_file.xml | head -n 15
00000000  7c 49 1b a0 df 2b cb ae  fd fe f6 7c 2b c6 dc 10  ||I...+.....|+...|
00000010  6c 8c f2 5d d6 8a d5 99  98 7a bb 22 1c 29 9d c3  |l..].....z.".)..|
*
00001000  5a ea 54 45 9b f8 9e ce  16 35 89 bd 8f 08 cb 82  |Z.TE.....5......|
00001010  6c 8c f2 5d d6 8a d5 99  98 7a bb 22 1c 29 9d c3  |l..].....z.".)..|
*
00002000  29 b8 f0 21 4a ea 00 19  28 46 53 c5 d1 73 f5 a9  |)..!J...(FS..s..|
00002010  6c 8c f2 5d d6 8a d5 99  98 7a bb 22 1c 29 9d c3  |l..].....z.".)..|
*
00003000  5c 56 80 41 f9 ef 98 3c  e3 7e 7c ee 3a 20 94 82  |\V.A...<.~|.: ..|
00003010  6c 8c f2 5d d6 8a d5 99  98 7a bb 22 1c 29 9d c3  |l..].....z.".)..|
*
00004000  ad cc 1c 5f 40 22 8b f6  9b bb aa ea 45 de 21 ee  |..._@"......E.!.|
00004010  6c 8c f2 5d d6 8a d5 99  98 7a bb 22 1c 29 9d c3  |l..].....z.".)..|
*

我试过用各种编辑器打开文件并更改编码，用 iconv 转换，但到目前为止没有成功。不幸的是，我对系统级问题非常缺乏经验，所以有人可以给我一些建议，我可以尝试从该文件中恢复文本吗？

k6ps

Answer 1

去除任何不可打印字符的方法是

tr -d -c '\11\12\15\40-\176' < bad_file.xml > cleanup.xml

这将创建一个名为 cleanup.xml 的文件，其中所有不是可打印 ASCII 字符的内容都从文件中删除。然后您应该能够更轻松地检查它，看看它是否包含任何有用的文本。

这将删除 (-d) 任何不在指定集合 (-c) 中的内容。该集合包含\11、\12和\15，分别是制表符、LF和CR，然后是\40的所有内容到\176，都是可打印的字符。

但就您而言，恐怕答案是放弃。在您的 hexdump 输出中， * 表示重复的行；所以你有一行看起来像垃圾，后面跟着这一行

6c 8c f2 5d d6 8a d5 99  98 7a bb 22 1c 29 9d c3  |l..].....z.".)..|

重复了很多次，然后又是同样的模式。你的文件不见了。对此感到抱歉。

实际上这可能不完全正确:文件的旧副本可能未损坏地躺在某处，或者如果您使用的是日志文件系统，您可能能够恢复文件，但这些是不同的问题，并且最好在 Super User 询问。

(我不会提到备份，因为它可能会很烦人，而且不会取得太大的成就......)