Čím překódovat češtinu u TXT

[compaq]

Jak překódovat hromadně soubory v adresáři do jedné češtiny, například UTF-8?
Jak poznat u TXT souboru, jaké je kódování?

[ntz_reloaded]

zagugli iconv .. nebo man iconv

[beer]

http://stackoverflow.com/questions/1975057/bash-convert-non-ascii-characters-to-ascii
http://www.andreaspollak.eu/2011/03/convert-text-file-from-iso-8859-1-to-utf-8-linux-bash/

[compaq]

zagugli iconv .. nebo man iconv

Díky. Je tam

iconv -f ISO-8859-2 -t UTF-8

ale já potřebuju

iconv -f "různé mrskané češtiny" -t UTF-8

aneb: Jak poznat u TXT souboru, jaké je kódování?

[beer]

Určitě poradí google . Jinak i blbý notepad ve widlích umí uložit otevřený soubor v několika druzích kódování (ANSI, UTF-8, Unicode, Big Endian). Divil bych se, kdyby to linuxové editory neuměli.

[Vojtěch Trefný]

aneb: Jak poznat u TXT souboru, jaké je kódování?

Nijak, jedině vyzkoušet. U češtiny ovšem připadá (za normálních okolností) v úvahu jen trojice ISO-8859-2, CP1250 (Win-1250) a UTF-8.

[beer]

aneb: Jak poznat u TXT souboru, jaké je kódování?

Nijak, jedině vyzkoušet. U češtiny ovšem připadá (za normálních okolností) v úvahu jen trojice ISO-8859-2, CP1250 (Win-1250) a UTF-8.

No, možná tomu úplně tak nebude, na abclinuxu doporučují program enca nebo program file s přepínačem -i.

[beer]

Ještě toto je zajímavé:

http://tomas.dankovi.info/content/6-bash-skripty

Dávková změna kódování

Pomocí příkazu iconv nebo convmv je možné změnit kódování souborů např. z Win-1250 na UTF-8:

Kód: [Vybrat]

for F in $(find $1 -iname "*.html")
do
  if [ -f $F ]; then
    iconv -f windows-1250 -t utf-8 $F > ${F}1
    mv ${F}1 $F
  fi
done

[Tomtom]

aneb: Jak poznat u TXT souboru, jaké je kódování?

Nijak, jedině vyzkoušet. U češtiny ovšem připadá (za normálních okolností) v úvahu jen trojice ISO-8859-2, CP1250 (Win-1250) a UTF-8.

Vždycky jsem měl za to, že

Kód: [Vybrat]

enca a.txtzjistí kodovani, a

Kód: [Vybrat]

enca -x utf8 a.txtrespektive asi správně (i když rozdílu si nejsem vědom)

Kód: [Vybrat]

enca -c -x utf8 -l czech a.txtho změní.

Jinak řečeno, není třeba zjišťovat - zjistí si to samo (i když se občas netrefí ) Stejně jako se textový editor snaží u ukládání předvolit kodováni...

[Vojtěch Trefný]

aneb: Jak poznat u TXT souboru, jaké je kódování?

Nijak, jedině vyzkoušet. U češtiny ovšem připadá (za normálních okolností) v úvahu jen trojice ISO-8859-2, CP1250 (Win-1250) a UTF-8.

No, možná tomu úplně tak nebude, na abclinuxu doporučují program enca nebo program file s přepínačem -i.

Odhadnout je to správné slovo

Kód: [Vybrat]

The Big Bang Theory S02E01.srt: text/plain; charset=unknown-8bit


[beer]

A ten program file také jen odhaduje? Je škoda že není nějaké lepší řešení.

[Martin Šácha]

A ten program file také jen odhaduje? Je škoda že není nějaké lepší řešení.

A podle čeho bys to chtěl *poznat? Snad jedině OCR a žlutým koněm.

[jadd]

Určitě poradí google . Jinak i blbý notepad ve widlích umí uložit otevřený soubor v několika druzích kódování (ANSI, UTF-8, Unicode, Big Endian). Divil bych se, kdyby to linuxové editory neuměli.

I blbý notepad, je chytřejší než Gedit, protože otevřít soubor je základ.

[Martin Šácha]

Určitě poradí google . Jinak i blbý notepad ve widlích umí uložit otevřený soubor v několika druzích kódování (ANSI, UTF-8, Unicode, Big Endian). Divil bych se, kdyby to linuxové editory neuměli.

I blbý notepad, je chytřejší než Gedit, protože otevřít soubor je základ.

Protože blbý notepad nic jiného než 852, 1250 a zmršený (zkus otevřít v notepadu utf8 z geditu) utf8 neumí...

[jadd]

Já jsem otevřel v Notepadu, vždy vše, za to v Geditu, málo co. A pokud mi Notepad špatně odseká entry, záchrana je Wordpad. Vim je pak jistota, tedy pokud má soubor méně než je volná kapacita RAM.

[compaq]

Podle mého, pokud soubor s textem neobsahuje jediné písmenko s diakritikou, nelze kódování zjistit, ale je to potom jedno :-)

Uvítal bych jednoduchý návod:

Jak se ti zobrazí ž? Jestli jako
# je to 8859-2
& je to Win-1250
° je to 852
€ je to původně 8859-2 otevřený chybně jako Win-1250 a uložený jako UTF-8
# musíš najít nějaké ř a poznat to podle ř
atd.

:-)

[jadd]

Pozná to program, který to umí číst v hexa, tak jak je to uložené na disku.

[beer]

Pozná to program, který to umí číst v hexa, tak jak je to uložené na disku.

To jsem si přesně myslel , ale neodvažoval jsem se to napsat, protože tomu nerozumím .

[Cuore]

Já jsem otevřel v Notepadu, vždy vše, za to v Geditu, málo co

já mám osobně dobré zkušenosti s editorem v Xfce jmenuje se "mouse...."  prostě něco s myší. Většinou kde gedit skončil, tady to šlo v pohodě

[jadd]

Já taky ne, ale je dobré to vědět. Takhle to třeba rozezává phototorec, ale pokud je soubor roztroušený, třeba pokud najde půl hlavičky v souboru, má to těžký.

[beer]

Já jsem otevřel v Notepadu, vždy vše, za to v Geditu, málo co

já mám osobně dobré zkušenosti s editorem v Xfce jmenuje se "mouse...."  prostě něco s myší. Většinou kde gedit skončil, tady to šlo v pohodě

mousepad

[Martin Šácha]

Pozná to program, který to umí číst v hexa, tak jak je to uložené na disku.

Aha, takže program který to čte jako bitstream nemá šanci? Na reprezentaci informace přece nezáleží...

Odhlédnu od toho, že každý program čte to co mu systém řekne že je na disku...

[pacholik]

Kód: [Vybrat]

sudo apt-get install python-chardet

Kód: [Vybrat]

$ uchardet můj_soubor
můj_soubor: utf-8 (confidence: 0.99)
$ uchardet soubor_od_někoho_jinýho.txt
soubor_od_někoho_jinýho.txt: ISO-8859-2 (confidence: 0.80)
jinak gůglete chardet