将带有 CRLF 行终止符的 Little-endian UTF-16 Unicode 英文文本文件转换为 Ascii 编码

Posted 2023-02-15

【中文标题】将带有 CRLF 行终止符的 Little-endian UTF-16 Unicode 英文文本文件转换为 Ascii 编码

【英文标题】：Convert file from Little-endian UTF-16 Unicode English text, with CRLF line terminators to Ascii encoding

【发布时间】：2018-03-07 10:57:29

【问题描述】：

非常感谢在我之前的场景中帮助过我的每个人。我相信有人会像以前一样问过类似的问题。这是我的问题。

我的文件属于 Little-endian UTF-16 Unicode 英文文本，带有 CRLF 行终止符 编码，但我认为它不适用于我们的文件标准。通常我在这里看到的属于ASCII 英文文本。我如何将其转换为它。

我使用了iconv -f UTF-16LE -t UTF-8 myfile.dat -o myfile.dat_test，但它正在将整个文件转换为 UTF-8 Unicode (with BOM) 英文文本，带有 CRLF 行终止符，不太清楚发生了什么。

【问题讨论】：

除了您不想要 BOM 之外一切都好吗？

最好是ASCII英文文本

如果所有字符都在 ASCII 范围内 (<= 127 or 0x7f)，

UTF8 将完全等同于 ASCII。如果您的 UTF-16 包含 UTF8 编码超过一个字节的字符，则需要另一个计划。无论如何，这可能很有用：zzz.buzz/2016/07/30/bom-in-iconv

也许一个更好的问题是，如果你想要 ASCII，你为什么要告诉 iconv 转换为 UTF-8？

这可能是您输入文件的 BOM。如果是这样，请尝试将其删除。

【参考方案1】：

这里的问题是 BOM 是“UTF-16”的特征，不是“UTF-16LE”的特征。

每http://unicode.org/faq/utf_bom.html#gen7:

BE形式使用big-endian字节序列化（最高有效字节在前），LE形式使用little-endian字节序列化（最低有效字节优先），未标记形式默认使用big-endian字节序列化，但可能包括开头的字节顺序标记，表示实际使用的字节序列化。

请注意，包含字节顺序标记的选项仅适用于“未标记的形式”，即“UTF-16”。

因此，当您告诉iconv 源编码是“UTF-16LE”，然后输入以 FF FE 开头时，iconv 不会将 FF FE 解释为字节顺序的冗余指示；相反，它将其解释为 U+FEFF 零宽度无间隔空格，并尝试将该字符复制到输出。

您可以通过告诉iconv 源编码为“UTF-16”来解决此问题；然后，当它看到输入以 FF FE 开头时，会将其解释为字节顺序标记，将其删除，并将输入的其余部分解释为 little-endian。

所以，改变这个：

iconv -f UTF-16LE -t UTF-8 myfile.dat -o myfile.dat_test

到这里：

iconv -f UTF-16 -t US-ASCII myfile.dat -o myfile.dat_test

（注意：我还将 'UTF-8' 更改为 'US-ASCII'，因此如果有任何非 ASCII 字符，您将得到一个明确的错误，而不是错误的输出。）