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

共有三种 RTF，我不知道你有哪一种。 您可以通过在纯文本编辑器中打开文件来判断，或者只是使用less/more/cat/type/whatever 将其打印到您的终端。

---

首先，简单的案例：明文 RTF。

纯文本 RTF 文件以 {\rtf 开头，其中的所有文本都是（正如您所期望的）纯文本 - 尽管有时文本运行会使用格式化命令分成单独的运行 - 以\——在他们之间。由于所有格式化命令都是纯 ASCII，如果您将纯文本 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，用于指定写入的字符集。该命令类似于\ansicpg949。当像写字板这样的 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，并且除非您修复它，否则它会被 mojibake 搞砸。

解决此问题的最简单方法是找出您的编辑器想要为 UTF-8 文件放置的字符集。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，然后用纯文本查看 it，看看它有什么代替 \ansicpg949，然后用右边的替换文件中的字符串一。 （请注意，代码页 65001 并不是真正 UTF-8，但它很接近，而且许多 Microsoft 代码都假定它们是相同的……）

此外，一些 RTF 编辑器（如 Apple 的 TextEdit）会转义任何非 ASCII 字符（例如，é 存储为 \'e9），因此无需转换。

最后，Office Open XML 包含一个用于称为 RTF 的 XML 规范，但实际上并不是一回事。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 标记都有纯 ASCII 名称。

---

最简单的情况是压缩的纯文本 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，或实际纯文本格式运行存储在单独文件中）。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RTF”，此时我们可以弄清楚具体格式是什么并解压它，然后你就可以将其编辑为纯文本 RTF（或 RTFD）。

不用说，如果您不先解压缩此文件，您将不会在文件中看到任何您熟悉的文本 - 您很容易最终破坏它，因此无法解压缩，或者解压缩为垃圾, 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。

尽管它们已经过逆向工程，但它们的最早版本采用无证格式。以后的版本是公共规格。 Wikipedia 有规格链接。如果你想手动解析它，你可以，但它会是大量的代码，你将不得不自己编写。

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

Answer 2

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