Почему sed не работает с международными символами и как это исправить?
-
09-06-2019 - |
Вопрос
GNU sed версии 4.1.5, похоже, не работает с международными символами.Вот мой входной файл:
Gras Och Stenar Trad - от Moja до DVD Minneapolis [G2007DVD] 7812 | Икс
Gras Och Stenar Trad - от Möja до Minneapolis DVD [G2007DVD] 7812 | У
(Обратите внимание на умлаут во второй строке.)
И когда я это сделаю
SED 'S /.* | // 'в
Я ожидаю увидеть только x и y, так как я попросил удалить все Chars до '|' и пространство за ним.Вместо этого я получаю:
Икс
Gras Och Stenar Trad - От М?Да
Я знаю, что могу использовать tr для удаления международных символов.во-первых, но есть ли способ просто использовать sed?
Решение
Я думаю, что ошибка возникает, если входная кодировка файла отличается от предпочтительной кодировки вашей среды.
Пример: in
это UTF-8
$ LANG=de_DE.UTF-8 sed 's/.*| //' < in
X
Y
$ LANG=de_DE.iso88591 sed 's/.*| //' < in
X
Y
UTF-8 можно смело интерпретировать как ISO-8859-1, вы получите странные символы, но в остальном все в порядке.
Пример: in
ISO-8859-1
$ LANG=de_DE.UTF-8 sed 's/.*| //' < in
X
Gras Och Stenar Trad - From MöY
$ LANG=de_DE.iso88591 sed 's/.*| //' < in
X
Y
ISO-8859-1 не может интерпретироваться как UTF-8, декодирование входного файла не выполняется.Странное совпадение, вероятно, связано с тем, что sed пытается восстановиться, а не полностью потерпеть неудачу.
Ответ основан на Debian Lenny/Sid и sed 4.1.5.
Другие советы
sed
не очень хорошо настроен для текста, отличного от ASCII.Однако вы можете использовать (почти) тот же код в perl
и получите желаемый результат:
perl -pe 's/.*\| //' x