读取HTM文件：每个字符周围的神秘空白
[英]Reading HTM file: mysterious white space around every character
问题描述
我有一个HTM文件。 当我直接在记事本中打开它时，它看起来像这样：
<HTML>
<BODY BGCOLOR=#FFFFFF BGPROPERTIES=FIXED>
<FONT 000000 FACE=ARIAL SIZE=3>
<HEAD>
当我尝试在Perl中执行此操作时：
open (my $fh, '<', $filename) or die "Error opening file! $!";
chomp(my @lines = <$fh>);
close $fh;
现在，Perl数组中的每一行都具有这些额外的空格，如下所示：
< H T M L >
< B O D Y B G C O L O R = # F F F F F F B G P R O P E R T I E S = F I X E D >
< F O N T 0 0 0 0 0 0 F A C E = A R I A L S I Z E = 3 >
< H E A D >
关于问题所在的任何想法？
澄清：这些不是我的HTM文件，因此我无法控制它们或它们的创建。 我收到文件，必须处理其中的内容。 诸如s/ (?= |\\w)//g类s/ (?= |\\w)//g各种攻击似乎都不会影响这个神秘的空格。
通过以下方式生成输出：
foreach (@lines) {
$line .= "$_\n";
}
open( $fh, '>', 'output-file.txt' ) or die "Could not open file $!";
print $fh $line;
close $fh;
2 个解决方案
解决方案1
0 2017-03-11 01:58:35
没有文字，只有编码文字。 每个文件都使用一种特定的字符编码编写，并且必须使用相同的编码进行读取。
HTML文件是格式化的文本。 它们具有一种文档编码，即与文件一起编码的文档。 文档“值”是Unicode字符序列。 如果文件未使用Unicode编码，则可以将字符表示为数字字符实体（例如＆＃x1f6b2;而不是🚲）。 它们还具有一种指示内部编码文档的机制（ meta charset ），但显然没有使用。
收到文本文件时，您还必须了解用于编写文本的编码。 如果没有，则说明通信失败。 （Web服务器和浏览器通过使用HTTP Content-Type标题相互告诉对方正在使用哪种编码来进行预防。不幸的是，由于程序将文件拖放到单个系统的文件系统中，因此过分依赖默认值或“检测” [明智的猜测]。
正如其他人所说，您的文本呈现器似乎在UTF-16编码的文本上显示了一个零字节，从而解决了这一问题。 （我想知道如何处理🚲。）人们要求对您的字节进行十六进制转储，以便改善猜测。 如果它与UTF-16一致，那将是一个极有可能的猜测，即使样本量如此之小。
解决方案很简单：与发送方确认编码为UTF-16，然后根据字节顺序将其读取为UTF-16LE或UTF-16BE。 在知道编码为UTF-16的情况下，字节顺序很容易检测。 因此，将文件作为字节字符串提取，然后使用Encode :: Unicode将字节解码为文本字符串。
解决方案2
-1 2017-03-11 00:33:57
我使用s/\\x0//g显然将许多空值转换为汉字。 我用s/[^[:ascii:]]+//g;清除了这些内容s/[^[:ascii:]]+//g; 。 这不是理想的方法，但是似乎可行。
页面右侧的空白-神秘
声明:本站的技术帖子网页，遵循CC BY-SA 4.0协议，如果您需要转载，请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.