python - 如何将 CP949 RTF 转换为 UTF-8 编码的 RTF？

Question

我想编写一个 python 脚本，将文件编码从 cp949 转换为 utf8。该文件最初以 cp949 编码。我的脚本如下:

cpstr = open('terms.rtf').read()  
utfstr = cpstr.decode('cp949').encode('utf-8')  
tmp  = open('terms_utf.rtf', 'w')  
tmp.write(utfstr)  
tmp.close()

但这并没有像我预期的那样改变编码。

Answer 1

RTF一共有三种，我不知道你是哪一种。 您可以通过在纯文本编辑器中打开文件或仅使用 less/more/cat 来判断/type/whatever 将其打印到您的终端。

---

首先，简单的情况:纯文本 RTF。

纯文本 RTF 文件以 {\rtf 开头，其中的所有文本(正如您所期望的那样)都是纯文本——尽管有时文本运行会被分解成单独的在它们之间使用格式化命令(以 \ 开头)运行。由于所有格式化命令都是纯 ASCII，如果将纯文本 RTF 从一个字符集转换为另一个字符集(只要两者都是 ASCII 的超集，如 cp949 和 utf-8 都是)，它应该可以正常工作。

但是，该文件也可能有一个格式化命令，指定写入它的字符集。这个命令看起来像 \ansicpg949。当诸如写字板之类的 RTF 编辑器打开您的文件时，它会将您所有漂亮的 UTF-8 数据解释为 cp949 数据，并且除非您对其进行修复，否则就会乱码。

修复它的最简单方法是弄清楚您的编辑器想要为 UTF-8 文件放置什么字符集。也许是\ansicpg65001，也许是\utf8，也许是完全不同的东西。所以只需将一个简单的文件保存为 UTF-8 RTF，然后以纯文本形式查看它，看看它在 \ansicpg949 的位置上有什么，并替换字符串在您的文件中使用正确的文件。 (请注意，代码页 65001 不是 真正 UTF-8，但它很接近，并且许多 Microsoft 代码假定它们是相同的......)

此外，一些 RTF 编辑器(如 Apple 的 TextEdit)将转义任何非 ASCII 字符(例如，é 存储为 \'e9)，因此没有什么可以转换的。

最后，Office Open XML 包括一个称为 RTF 的 XML 规范，但实际上并不是同一回事。我相信很多 RTF 编辑器都可以处理这个问题。幸运的是，您可以像对待纯文本 RTF 一样对待它——所有 XML 标签都有纯 ASCII 名称。

---

几乎一样简单的情况是压缩纯文本 RTF。这是同一件事，但我相信是用 zlib 压缩的。或者它实际上可以是 .zip 存档中的 RTFD(可以是纯文本 RTF 以及单独文件中的图像和其他内容，或者是格式运行存储在单独文件中的实际纯文本)。无论如何，如果你有其中之一，大多数 Unix 系统上的 file 命令应该能够将其检测为“压缩的 RTF”，此时我们可以找出具体格式是什么并解压缩它, 然后您可以将其编辑为纯文本 RTF(或 RTFD)。

不用说，如果你不先解压这个文件，你就不会在文件中看到任何你熟悉的文本——你很可能最终会破坏它，这样它就无法解压，或者解压成垃圾，通过将任意字节更改为不同的字节。

---

最后，困难的情况:二进制 RTF。

这些的最早版本是未记录的格式，尽管它们已经过逆向工程。更高版本是公共(public)规范。 Wikipedia有规范链接。如果您想手动解析它，您可以这样做，但这将是大量代码，您将不得不自己编写。

更好的解决方案是使用 one of the many libraries on PyPI可以将 RTF(包括二进制 RTF)转换为其他格式，然后您可以轻松编辑。