web-dev-qa-db-ja.com

ヘッドとメモ帳で読み取れるバイナリエンコーディングをUTF-8に変換する

バイナリ文字セットのCSVファイルがありますが、HDFS(Hadoop)で処理するにはUTF-8に変換する必要があります。

以下のコマンドを使用して、文字セットを確認しました。

file -bi filename.csv

出力:

application/octet-stream; charset=binary

ファイルをバイナリからUTF-8に変換しようとすると、エラーがスローされます。

iconv -f binary -t utf-8 fiename.csv
iconv: conversion from binary' is not supported
Try iconv --help' or iconv --usage' for more information.

誰かが私を理解するのを手伝ってくれませんか?.

それはどういう意味ですか、バイナリは読み取り不可を意味しますが、どのようにヘッドコマンドまたはメモ帳がデータを読み取ることができますか。

od -tc <filename.csv | head

0000000 357 273 277   |   |   R   e   q   u   e   s   t   _   I   D   #
0000020   D   #   T   y   p   e   #   D   #   S   u   b   m   i   t   t
0000040   e   r   #   D   #   S   h   o   r   t   _   D   e   s   c   r
0000060   i   p   t   i   o   n   #   D   #   L   o   g   _   T   e   x
0000100   t   #   D   #   S   t   a   t   u   s   #   D   #   A   s   s
0000120   i   g   n   e   d   _   T   o   #   D   #   A   s   s   i   g
0000140   n   e   e   #   D   #   C   r   e   a   t   e   _   D   a   t
0000160   e   #   D   #   F   o   r   w   T   o   E   x   t   H   D   #
0000200   D   #   L   a   s   t   _   M   o   d   i   f   i   e   d   _
0000220   B   y   #   D   #   L   o   g   _   I   D   #   D   #   L   o
4
William R

「バイナリ」はencoding(文字セット名)ではありません。 iconvが機能するには、エンコーディング名が必要です。

fileユーティリティは、ファイル形式を認識しない場合、有用な情報を提供しません。たとえば、バイトエンコードマーク(BOM)がない場合はUTF-16になります。 notepadはそれを読み取ります。同じことがUTF-8にも当てはまります(そしてheadthatと表示されます(端末がUTF-8エンコーディングに設定されている可能性があるため、そして、それはBOMを気にしません)。

ファイルがUTF-16の場合、ほとんどの文字はASCII(またはLatin-1))になるため、ターミナルはheadを使用してそれを表示し、「その他」を作成しますUTF-16文字のバイトはnullです。

どちらの場合でも、BOMがないと(fileのバージョンによって)混乱します。ただし、これらのファイル形式は、Microsoft WindowsおよびWindows上で実行されるポータブルアプリケーションで使用できるため、他のプログラムも機能する可能性があります。

ファイルをUTF-8に変換するには、使用するエンコーディングと、そのエンコーディングの名前がiconvで何であるかを知っている必要があります。すでにUTF-8の場合、BOMを(最初に)追加するかどうかはオプションです。 UTF-16には、最初のバイトに応じて2つのフレーバーがあります。または、evenでUTF-32にすることもできます。 iconv -lはこれらをリストします:

ISO-10646/UTF-8/
ISO-10646/UTF8/
UTF-7//
UTF-8//
UTF-16//
UTF-16BE//
UTF-16LE//
UTF-32//
UTF-32BE//
UTF-32LE//
UTF7//
UTF8//
UTF16//
UTF16BE//
UTF16LE//
UTF32//
UTF32BE//
UTF32LE//

「LE」と「BE」は、バイトオーダーのリトルエンドとビッグエンドを指します。 Windowsは「LE」フレーバーを使用しており、iconvはおそらく「LE」または「BE」を欠くフレーバーを想定しています。

これは、8進(sic)ダンプを使用して確認できます。

$ od -bc big-end
0000000 000 124 000 150 000 165 000 040 000 101 000 165 000 147 000 040
         \0   T  \0   h  \0   u  \0      \0   A  \0   u  \0   g  \0    
0000020 000 061 000 070 000 040 000 060 000 065 000 072 000 060 000 061
         \0   1  \0   8  \0      \0   0  \0   5  \0   :  \0   0  \0   1
0000040 000 072 000 065 000 067 000 040 000 105 000 104 000 124 000 040
         \0   :  \0   5  \0   7  \0      \0   E  \0   D  \0   T  \0    
0000060 000 062 000 060 000 061 000 066 000 012
         \0   2  \0   0  \0   1  \0   6  \0  \n
0000072

$ od -bc little-end
0000000 124 000 150 000 165 000 040 000 101 000 165 000 147 000 040 000
          T  \0   h  \0   u  \0      \0   A  \0   u  \0   g  \0      \0
0000020 061 000 070 000 040 000 060 000 065 000 072 000 060 000 061 000
          1  \0   8  \0      \0   0  \0   5  \0   :  \0   0  \0   1  \0
0000040 072 000 065 000 067 000 040 000 105 000 104 000 124 000 040 000
          :  \0   5  \0   7  \0      \0   E  \0   D  \0   T  \0      \0
0000060 062 000 060 000 061 000 066 000 012 000
          2  \0   0  \0   1  \0   6  \0  \n  \0
0000072

UTF-16LEを想定すると、次のように変換できます

iconv -f UTF-16LE// -t UTF-8// <input >output
11
Thomas Dickey

strings(binutilsから)は、iconvrecodeの両方が失敗しても、「ファイル内の印刷可能な文字の文字列を印刷する」ことに成功し、fileは引き続きレポートしますバイナリデータとしてのコンテンツ:

$ file -i /tmp/textFile
/tmp/textFile: application/octet-stream; charset=binary

$ chardetect /tmp/textFile
/tmp/textFile: utf-8 with confidence 0.99

$ iconv -f utf-8 -t utf-8 /tmp/textFile -o /tmp/textFile.iconv
$ file -i /tmp/textFile.iconv
/tmp/textFile.iconv: application/octet-stream; charset=binary

$ cp /tmp/textFile /tmp/textFile.recode ; recode utf-8 /tmp/textFile.recode
$ file -i /tmp/textFile.recode 
/tmp/textFile.recode: application/octet-stream; charset=binary

$ strings /tmp/textFile > /tmp/textFile.strings
$ file -i /tmp/textFile.strings
/tmp/textFile.strings: text/plain; charset=us-ascii
1
Julien Carsique

https://pypi.python.org/pypi/chardet を使用してテキストのエンコーディングを決定し、それから必要なものに変換できます。

0
bmargulies