GNU/Linux >> Tutoriels Linux >  >> Linux

Existe-t-il un moyen de convertir UTF8 en ISO-8859-1 ?

Voici une fonction qui pourrait vous être utile :utf8_to_latin9() . Il convertit en ISO-8859-15 (dont EURO, dont ISO-8859-1 n'a pas), mais fonctionne aussi correctement pour le UTF-8 ->ISO-8859-1 partie conversion d'un ISO-8859-1 ->UTF-8 ->ISO-8859-1 aller-retour.

La fonction ignore les points de code invalides similaires à //IGNORE drapeau pour iconv, mais ne recompose pas les séquences UTF-8 décomposées ; c'est-à-dire qu'il ne tournera pas U+006E U+0303 en U+00F1 . Je ne prends pas la peine de recomposer car iconv non plus.

La fonction fait très attention à l'accès aux chaînes. Il ne balayera jamais au-delà du tampon. Le tampon de sortie doit être supérieur d'un octet à la longueur, car il ajoute toujours l'octet NUL de fin de chaîne. La fonction renvoie le nombre de caractères (octets) en sortie, sans compter l'octet NUL de fin de chaîne.

/* UTF-8 to ISO-8859-1/ISO-8859-15 mapper.
 * Return 0..255 for valid ISO-8859-15 code points, 256 otherwise.
*/
static inline unsigned int to_latin9(const unsigned int code)
{
    /* Code points 0 to U+00FF are the same in both. */
    if (code < 256U)
        return code;
    switch (code) {
    case 0x0152U: return 188U; /* U+0152 = 0xBC: OE ligature */
    case 0x0153U: return 189U; /* U+0153 = 0xBD: oe ligature */
    case 0x0160U: return 166U; /* U+0160 = 0xA6: S with caron */
    case 0x0161U: return 168U; /* U+0161 = 0xA8: s with caron */
    case 0x0178U: return 190U; /* U+0178 = 0xBE: Y with diaresis */
    case 0x017DU: return 180U; /* U+017D = 0xB4: Z with caron */
    case 0x017EU: return 184U; /* U+017E = 0xB8: z with caron */
    case 0x20ACU: return 164U; /* U+20AC = 0xA4: Euro */
    default:      return 256U;
    }
}

/* Convert an UTF-8 string to ISO-8859-15.
 * All invalid sequences are ignored.
 * Note: output == input is allowed,
 * but   input < output < input + length
 * is not.
 * Output has to have room for (length+1) chars, including the trailing NUL byte.
*/
size_t utf8_to_latin9(char *const output, const char *const input, const size_t length)
{
    unsigned char             *out = (unsigned char *)output;
    const unsigned char       *in  = (const unsigned char *)input;
    const unsigned char *const end = (const unsigned char *)input + length;
    unsigned int               c;

    while (in < end)
        if (*in < 128)
            *(out++) = *(in++); /* Valid codepoint */
        else
        if (*in < 192)
            in++;               /* 10000000 .. 10111111 are invalid */
        else
        if (*in < 224) {        /* 110xxxxx 10xxxxxx */
            if (in + 1 >= end)
                break;
            if ((in[1] & 192U) == 128U) {
                c = to_latin9( (((unsigned int)(in[0] & 0x1FU)) << 6U)
                             |  ((unsigned int)(in[1] & 0x3FU)) );
                if (c < 256)
                    *(out++) = c;
            }
            in += 2;

        } else
        if (*in < 240) {        /* 1110xxxx 10xxxxxx 10xxxxxx */
            if (in + 2 >= end)
                break;
            if ((in[1] & 192U) == 128U &&
                (in[2] & 192U) == 128U) {
                c = to_latin9( (((unsigned int)(in[0] & 0x0FU)) << 12U)
                             | (((unsigned int)(in[1] & 0x3FU)) << 6U)
                             |  ((unsigned int)(in[2] & 0x3FU)) );
                if (c < 256)
                    *(out++) = c;
            }
            in += 3;

        } else
        if (*in < 248) {        /* 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx */
            if (in + 3 >= end)
                break;
            if ((in[1] & 192U) == 128U &&
                (in[2] & 192U) == 128U &&
                (in[3] & 192U) == 128U) {
                c = to_latin9( (((unsigned int)(in[0] & 0x07U)) << 18U)
                             | (((unsigned int)(in[1] & 0x3FU)) << 12U)
                             | (((unsigned int)(in[2] & 0x3FU)) << 6U)
                             |  ((unsigned int)(in[3] & 0x3FU)) );
                if (c < 256)
                    *(out++) = c;
            }
            in += 4;

        } else
        if (*in < 252) {        /* 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx */
            if (in + 4 >= end)
                break;
            if ((in[1] & 192U) == 128U &&
                (in[2] & 192U) == 128U &&
                (in[3] & 192U) == 128U &&
                (in[4] & 192U) == 128U) {
                c = to_latin9( (((unsigned int)(in[0] & 0x03U)) << 24U)
                             | (((unsigned int)(in[1] & 0x3FU)) << 18U)
                             | (((unsigned int)(in[2] & 0x3FU)) << 12U)
                             | (((unsigned int)(in[3] & 0x3FU)) << 6U)
                             |  ((unsigned int)(in[4] & 0x3FU)) );
                if (c < 256)
                    *(out++) = c;
            }
            in += 5;

        } else
        if (*in < 254) {        /* 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx */
            if (in + 5 >= end)
                break;
            if ((in[1] & 192U) == 128U &&
                (in[2] & 192U) == 128U &&
                (in[3] & 192U) == 128U &&
                (in[4] & 192U) == 128U &&
                (in[5] & 192U) == 128U) {
                c = to_latin9( (((unsigned int)(in[0] & 0x01U)) << 30U)
                             | (((unsigned int)(in[1] & 0x3FU)) << 24U)
                             | (((unsigned int)(in[2] & 0x3FU)) << 18U)
                             | (((unsigned int)(in[3] & 0x3FU)) << 12U)
                             | (((unsigned int)(in[4] & 0x3FU)) << 6U)
                             |  ((unsigned int)(in[5] & 0x3FU)) );
                if (c < 256)
                    *(out++) = c;
            }
            in += 6;

        } else
            in++;               /* 11111110 and 11111111 are invalid */

    /* Terminate the output string. */
    *out = '\0';

    return (size_t)(out - (unsigned char *)output);
}

Notez que vous pouvez ajouter une translittération personnalisée pour des points de code spécifiques dans le to_latin9() fonction, mais vous êtes limité aux remplacements d'un seul caractère.

Telle qu'elle est actuellement écrite, la fonction peut effectuer une conversion sur place en toute sécurité :les pointeurs d'entrée et de sortie peuvent être identiques. La chaîne de sortie ne sera jamais plus longue que la chaîne d'entrée. Si votre chaîne d'entrée a de la place pour un octet supplémentaire (par exemple, elle a le NUL terminant la chaîne), vous pouvez utiliser en toute sécurité la fonction ci-dessus pour la convertir d'UTF-8 en ISO-8859-1/15. Je l'ai délibérément écrit de cette façon, car cela devrait vous épargner des efforts dans un environnement embarqué, bien que cette approche soit un peu limitée. personnalisation et extension.

Modifier :

J'ai inclus une paire de fonctions de conversion dans une modification de cette réponse pour la conversion Latin-1/9 vers/depuis UTF-8 (ISO-8859-1 ou -15 vers/depuis UTF-8); la principale différence est que ces fonctions renvoient une copie allouée dynamiquement et conservent la chaîne d'origine intacte.


iconv - effectue la conversion du jeu de caractères

size_t iconv(iconv_t cd, char **inbuf, size_t *inbytesleft, char **outbuf, size_t *outbytesleft);

iconv_t iconv_open(const char *tocode, const char *fromcode);

tocode est "ISO_8859-1" et fromcode est "UTF-8" .

Exemple de travail :

#include <iconv.h>
#include <stdio.h>

int main (void) {
    iconv_t cd = iconv_open("ISO_8859-1", "UTF-8");
    if (cd == (iconv_t) -1) {
        perror("iconv_open failed!");
        return 1;
    }

    char input[] = "Test äöü";
    char *in_buf = &input[0];
    size_t in_left = sizeof(input) - 1;

    char output[32];
    char *out_buf = &output[0];
    size_t out_left = sizeof(output) - 1;

    do {
        if (iconv(cd, &in_buf, &in_left, &out_buf, &out_left) == (size_t) -1) {
            perror("iconv failed!");
            return 1;
        }
    } while (in_left > 0 && out_left > 0);
    *out_buf = 0;

    iconv_close(cd);

    printf("%s -> %s\n", input, output);
    return 0;
}

Linux
  1. Existe-t-il un moyen de 'uniq' par colonne?

  2. Existe-t-il un moyen d'inspecter le rpath actuel sous Linux ?

  3. Existe-t-il un moyen de renommer un projet Cargo ?

  4. Existe-t-il un moyen simple de déplacer/copier un volume logique d'un groupe de volumes à un autre ? (LVM2)

  5. Existe-t-il un utilitaire pour créer des images vierges ?

Convertir le système de fichiers de démarrage de Xfs en Ext4 ?

Existe-t-il un moyen d'afficher la notification du script bash dans Ubuntu ?

Existe-t-il un moyen de redémarrer les badblocks ?

Existe-t-il un moyen de modifier un identifiant de volume de fichiers .iso à partir de la ligne de commande ?

Existe-t-il un moyen d'exclure des hôtes spécifiques d'un groupe d'hôtes Nagios ?

Existe-t-il un moyen d'obtenir la version du BIOS depuis Linux ?