[新手上路]批处理新手入门导读[视频教程]批处理基础视频教程[视频教程]VBS基础视频教程[批处理精品]批处理版照片整理器
[批处理精品]纯批处理备份&还原驱动[批处理精品]CMD命令50条不能说的秘密[在线下载]第三方命令行工具[在线帮助]VBScript / JScript 在线参考
返回列表 发帖
plp626

Rank: 8Rank: 8

帖子
640 
积分
2838 
技术
101  
捐助
0  
注册时间
2008-1-17 
1楼 跳转到 » 倒序看帖
打印
tT
发表于 2010-6-23 19:52 | 只看该作者

[文本处理] 【已结】type “htm文件” 乱码

我是想对网页文件用sed，find进行处理，找到我想要的链接地址，可我遇到了编码的问题。


大家可以把dos联盟http://www.cn-dos.net/forum/index.php
的网页文件脱机存盘【保存类型选择仅html】，然后在cmd下type 这个文件，里面的汉子会全成了乱码；

为了这个问题，我在网上搜索了下编码的原理，联盟论坛的源文件里有
  1. <html>

  2. <head>

  3. <meta http-equiv="Content-Type" content="text/html; charset=utf-8" />
复制代码
说明htm文件要显示的内容在源文件中是以utf-8编码的，我从网上得知，并用winhex作实验知道：
  1. utf-8编码的文本文件前三个字符是 ee bb bf，英文字符占一个字节，汉字占三个字节。
复制代码
我在查看联盟的网页文件，文件头没有eebbbf字样，说明从文本的方式来看源文件是ascii编码的。

那么我想，要让cmd识别htm文件里的汉子，首先得把htm的源文件里要显示的汉子转换为ascii才行，这个转换我不知道是怎么实现的，但是我知道用notepad就可以很简单的另存为ascii来实现。
========================================
1. 以上只是我个人对编码的理解，如果有误请大家指出。

2. 大家能否说下记事本转换的原理，或者提下这种转换的vbs代码或者是命令行工具【是把utf-8的htm文件转换为ascii编码的htm文件】

[ 本帖最后由 plp626 于 2010-6-23 22:07 编辑 ]
收藏 分享
技术娱乐 3802

CUer

Rank: 5Rank: 5

帖子
522 
积分
1037 
技术
61  
捐助
0  
注册时间
2010-4-30 
2楼
发表于 2010-6-23 20:20 | 只看该作者 
  1. grep -o "http:[^\"]\+" a.htm
复制代码

TOP

CUer

Rank: 5Rank: 5

帖子
522 
积分
1037 
技术
61  
捐助
0  
注册时间
2010-4-30 
3楼
发表于 2010-6-23 20:25 | 只看该作者 
  1. sed "s/a href=/\n/g" a.htm | sed -n "s/.*\(http:[^\"]\+\).*/\1/p"
复制代码

TOP

plp626

Rank: 8Rank: 8

帖子
640 
积分
2838 
技术
101  
捐助
0  
注册时间
2008-1-17 
4楼
发表于 2010-6-23 20:26 | 只看该作者
原帖由 CUer 于 2010-6-23 20:20 发表
grep -o "http:[^\"]\+" a.htm


谢谢，你这个是搜索所有链接地址，但把我要的标题还有其他一些信息过滤掉了。
技术娱乐 3802

TOP

plp626

Rank: 8Rank: 8

帖子
640 
积分
2838 
技术
101  
捐助
0  
注册时间
2008-1-17 
5楼
发表于 2010-6-23 20:39 | 只看该作者
原帖由 CUer 于 2010-6-23 20:25 发表
sed "s/a href=/\n/g" a.htm | sed -n "s/.*\(http:[^\"]\+\).*/\1/p"


这个代码和grep的功能一样，还是过滤掉了我想要的很多信息，不过还是很感谢你，你的真诚值得我们每个会员学习。
技术娱乐 3802

TOP

CUer

Rank: 5Rank: 5

帖子
522 
积分
1037 
技术
61  
捐助
0  
注册时间
2010-4-30 
6楼
发表于 2010-6-23 20:46 | 只看该作者
sed和grep都能直接操作UTF-8格式的文件，它们的输出是ANSI，你想实现什么功能应该都可以做到吧。

TOP

plp626

Rank: 8Rank: 8

帖子
640 
积分
2838 
技术
101  
捐助
0  
注册时间
2008-1-17 
7楼
发表于 2010-6-23 20:52 | 只看该作者
原帖由 CUer 于 2010-6-23 20:46 发表
sed和grep都能直接操作UTF-8格式的文件，它们的输出是ANSI，你想实现什么功能应该都可以做到吧。


也许你理解的和我理解的不同。

sed或grep处理dos联盟的文件，比如重定向为b.htm，用type命令 查看b.htm 显示的汉子仍是乱码。
技术娱乐 3802

TOP

zqz0012005

Rank: 8Rank: 8

帖子
1069 
积分
12123 
技术
38  
捐助
0  
注册时间
2008-5-10 
8楼
发表于 2010-6-23 21:31 | 只看该作者
正好前不久有一个无BOM的UTF-8转为Ansi的问题
http://www.bathome.net/viewthrea ... amp;page=1#pid54514
1

评分人数

    • plp626: 你的vbs代码很有用技术 + 1
命令行参考：hh.exe ntcmds.chm::/ntcmds.htm
求助者请拿出诚心，别人才愿意奉献热心！
把查看手册形成条件反射！

TOP

plp626

Rank: 8Rank: 8

帖子
640 
积分
2838 
技术
101  
捐助
0  
注册时间
2008-1-17 
9楼
发表于 2010-6-23 21:44 | 只看该作者
原帖由 zqz0012005 于 2010-6-23 21:31 发表
正好前不久有一个无BOM的UTF-8转为Ansi的问题
http://www.bathome.net/viewthread.php?tid=8299&page=1#pid54514


很感谢，我把你的代码转来了

这个vbs代码和concmd /o:gbk a.htm 的作用相同

但是我还是没搞懂原理，转换后的文件与源文件文件头没有变化，确实是对htm网页文件里要显示的汉子的编码进行了转换，网页里标签好像没有变化【我没来得及仔细比较】

这个vbs的脚本是怎么做到的呢，使得双击它就像是在用notepad另存为ascii ？


将当前路径下所有htm文件，转为ascii编码
  1.  

  2. set fso = CreateObject("Scripting.FileSystemObject")

  3. 'Files属性获取文件集合时，与CMD下的for遍历文件有相同的Bug：

  4. '如果文件名有变动，可能会重复或多次遍历

  5. '看来是某个API的Bug

  6. '所以先获取文件列表再使用保险一点

  7. FileList = ""

  8. for each oFile in fso.GetFolder(".").Files

  9.     if LCase(fso.GetExtensionName(oFile.Path)) = LCase("htm") then

  10.         FileList = FileList & oFile.Path & vbCrLf

  11.     end if

  12. next

  13. Files = Split(FileList, vbCrLf)

  14. for i=0 to UBound(Files)-1 '最后一个元素是空的

  15.     'U8ToU8Bom Files(i) '如果要生成一个有BOM的文件，启用此行

  16.     U8ToAnsi Files(i)

  17. next

  18. function U8ToU8Bom(strFile)

  19.     dim ADOStrm

  20.     Set ADOStrm = CreateObject("ADODB.Stream")

  21.     ADOStrm.Type = 2

  22.     ADOStrm.Mode = 3

  23.     ADOStrm.CharSet = "utf-8"

  24.     ADOStrm.Open

  25.     ADOStrm.LoadFromFile strFile

  26.     ADOStrm.SaveToFile strFile & ".u8.txt", 2

  27.     ADOStrm.Close

  28.     Set ADOStrm = Nothing

  29. end function

  30. function U8ToAnsi(strFile)

  31.     dim ADOStrm

  32.     dim s

  33.     Set ADOStrm = CreateObject("ADODB.Stream")

  34.     ADOStrm.Type = 2

  35.     ADOStrm.Mode = 3

  36.     ADOStrm.CharSet = "utf-8"

  37.     ADOStrm.Open

  38.     ADOStrm.LoadFromFile strFile

  39.     s = ADOStrm.ReadText

  40.     ADOStrm.Position = 0

  41.     ADOStrm.CharSet = "gbk"

  42.     ADOStrm.WriteText s

  43.     ADOStrm.SetEOS

  44.     ADOStrm.SaveToFile strFile & ".ansi.htm", 2

  45.     ADOStrm.Close

  46.     Set ADOStrm = Nothing

  47. end function
复制代码

[ 本帖最后由 plp626 于 2010-6-23 22:00 编辑 ]
技术娱乐 3802

TOP

Batcher

Rank: 12Rank: 12Rank: 12

帖子
14932 
积分
46139 
技术
857  
捐助
745  
注册时间
2008-6-9 
10楼
发表于 2010-6-23 21:48 | 只看该作者

回复 9楼 的帖子

可能还有一点需要处理，htm的行尾是0A，需要替换成0D0A
我帮忙写的代码不需要付钱。如果一定要给，请在微信群或QQ群发给大家吧。
【微信公众号、微信群、QQ群】http://bbs.bathome.net/thread-3473-1-1.html
【支持批处理之家，加入VIP会员！】http://bbs.bathome.net/thread-67716-1-1.html

TOP

zqz0012005

Rank: 8Rank: 8

帖子
1069 
积分
12123 
技术
38  
捐助
0  
注册时间
2008-5-10 
11楼
发表于 2010-6-23 22:24 | 只看该作者

回复 9楼 的帖子

这个就是由ADODB.Stream组件进行转换的。

当然，根据utf-8编码的原理，也可以写出函数进行解码，只是要复杂一点，毕竟“拿来主义”方便多了。

小小纠正一下：
标准ascii码只有128个字符（0~127）；IBM又扩充了128个（128~255），这128个称为扩充ASCII码，用的不多。

unicode和ansi都是字符代码的一种表示形式。（ANSI还有个意思表示一个机构）
　　为使计算机支持更多语言，通常使用 0x80~0xFF 范围的 2 个字节来表示 1 个字符。比如：汉字 '中' 在中文操作系统中，使用 [0xD6,0xD0] 这两个字节存储。
　　不同的国家和地区制定了不同的标准，由此产生了 GB2312, BIG5, JIS 等各自的编码标准。这些使用 2 个字节来代表一个字符的各种汉字延伸编码方式，称为 ANSI 编码。在简体中文系统下，ANSI 编码代表 GB2312 编码；在繁体中文系统下，ANSI 编码代表 Big5编码；在日文操作系统下，ANSI 编码代表 JIS 编码；等等。

utf-8是Unicode字符代码的一种编码方式，还有utf-7、utf-16、utf-32等等

我也了解的不多，具体的可以百度百科一下
（中国的百度百科实在太烂了，太不负责了）
命令行参考：hh.exe ntcmds.chm::/ntcmds.htm
求助者请拿出诚心，别人才愿意奉献热心！
把查看手册形成条件反射！

TOP

返回列表