Neste artigo da Wikipédia , FF FE
significa UTF16LE
. Portanto, você deve informar iconv
para converter de UTF16LE
para UTF8
:
iconv -f UTF-16LE -t UTF-8 dotan.csv > fixed.txt
Recebi um arquivo .csv com o FF FE
BOM:
$ head -n1 dotan.csv | hd
00000000 ff fe 41 00 64 00 20 00 67 00 72 00 6f 00 75 00 |..A.d. .g.r.o.u.|
Ao usar awk
para analisá-lo, estou obtendo vários bytes nulos, que suspeito serem devidos à ordem de bytes. Como posso trocar a ordem de bytes neste arquivo (usando a CLI) para que as ferramentas normais funcionem com ele?
Note que eu acho que este arquivo é apenas caracteres ASCII (exceto para o BOM), mas não posso confirmar isso porque grep
acha que é um arquivo binário:
$ grep -P '^[\x00-\x7f]' dotan.csv
Binary file dotan.csv matches
A pesquisa pela mesma sequência no VIM mostra todos os caracteres correspondentes!
Usar iconv
para converter para ASCII não elimina os valores de \ x00, mas na verdade piora o problema, já que agora parecem bytes nulos em vez de UTF-8!
$ iconv -f UTF-8 -t ASCII dotan.csv > fixed.txt
iconv: illegal input sequence at position 0
$ iconv -f UTF-8 -t ASCII//IGNORE dotan.csv > fixed.txt
$ head -n1 fixed.txt | hd
00000000 41 00 64 00 20 00 67 00 72 00 6f 00 75 00 70 00 |A.d. .g.r.o.u.p.|
Como posso trocar a ordem de bytes neste arquivo (usando a CLI) para que as ferramentas normais funcionem com ele?
Neste artigo da Wikipédia , FF FE
significa UTF16LE
. Portanto, você deve informar iconv
para converter de UTF16LE
para UTF8
:
iconv -f UTF-16LE -t UTF-8 dotan.csv > fixed.txt
dos2unix
também remove as BOMs e converte UTF-16 em UTF-8:
$ printf %s あ|recode ..utf16 >a;xxd -p a;dos2unix a;xxd -p a
feff3042
dos2unix: converting file a to Unix format...
e38182
dos2unix
também remove as BOMs UTF-8:
$ printf %b '\xef\xbb\xbfa'>a;dos2unix a;xxd -p a
dos2unix: converting file a to Unix format...
61