gpt4 book ai didi

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

转载 作者:行者123 更新时间:2023-11-28 22:52:12 28 4
gpt4 key购买 nike

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。

最佳答案

RTF一共有三种,我不知道你是哪一种。 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,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。

关于python - 如何将 CP949 RTF 转换为 UTF-8 编码的 RTF?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/20754127/

28 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com