Jste zde: Fakulta informatiky » Technické informace » Konverze textu mezi kódováními

Pro převod mezi kódováními češtiny můžete zde na FI použít tři způsoby:

Převod pomocí cstocs

Na fakultních strojích je v modulu cstools dostupný program cstocs pro převod mezi jednotlivými kódováními češtiny.

Použití je následující:

Přidáme modul cstools: module add cstools.

Mějme dokument prace.txt v kódováni Windows 1250, který si chceme přečíst v UNIXu, který používá kódování ISO-8859-2. Pak stačí jen napsat 
cstocs 1250 il2 <prace.txt >prace.il2.txt
a v souboru prace.il2.txt máme náš soubor v kódování ISO-8859-2.

Jaké všechny druhy kódování cstocs umí? Zde je část manuálové stránky (celá je dostupná pomocí příkazu man cstocs):

AVAILABLE ENCODINGS
     ascii
          This is 7-bit ASCII encoding.  Can  be  used  to  strip
          diacritic from characters.

     il1  ISO-8859-1 (West European languages)

     il2  ISO-8859-2 (East European languages)

     cork Cork (T1) encoding used by TeX's DC fonts and by  LaTeX
          2e.

     kam  Kamenicky encoding (it  was  one  of  the  most  popuar
          encodings in Czech/Slovak language space).

     koi  It is KOI8-cs encoding (very old).

     vga  Encoding used by standard IBM PC vga cards.

     pc2  PC-Latin2 encoding, supported by M$-DOS.

     1250 Encoding used by czech M$-Windows.

Protože cstocs pracuje se standardnim vstupem a vystupem, je mozne ho pouzit i v "rouře" příkazů:

skript_generujici_text | cstocs il2 1250 | lpr -Ptlj4

nebo se pro překódování může použít

Převod pomocí iconv

Na fakultních strojích je v základní instalaci dostupný program iconv pro převod mezi jednotlivými kódováními, jejichž seznam obdržíte pomocí:

iconv -l
Samotné použití iconv je obdobné jako u cstocs. Zde je nápověda (více viz man iconv): 
Použití: iconv [PŘEPÍNAČ...] [SOUBOR...]
Konvertuje zadané soubory z jednoho kódování do druhého.

 Zadání vstupně/výstupního formátu:
  -f, --from-code=NÁZEV      kódování vstupního textu
  -t, --to-code=NÁZEV        výstupní kódování

 Informace:
  -l, --list                 vypíše všechny známé znakové sady

 Řízení výstupu:
  -c                         omit invalid characters from output
  -o, --output=SOUBOR        výstupní soubor
  -s, --silent               suppress warnings
      --verbose              vypisuje informace o průběhu

  -?, --help                 Vypíše tuto nápovědu
      --usage                Vypíše krátký návod na použití
  -V, --version              Vypíše označení verze programu

nebo se pro překódování může použít

skript od L. Škarvady

K prevodu textu mezi ruznymi kodovanimi slouzi nasledujici prikazove soubory pro sed ulozene v adresari /packages/share/CHARSETS: 

cork.ascii      isolat1.ascii   isolat2.koi8    koi8.ascii      unix.dos
cork.isolat1    isolat1.cork    isolat2.pclat2  koi8.isolat2
cork.isolat2    isolat2.ascii   kam.ascii       koi8.kam
dos.unix        isolat2.cork    kam.isolat2     pclat2.ascii
hex-cork.kam    isolat2.kam     kam.pclat2      pclat2.isolat2

Pouzit je lze napr. pro prevod "Kamenicky do ISO 8859-2" nasledovne:

cat soubor.kam | sed -f /packages/share/CHARSETS/kam.isolat2 > soubor.isolat2

Pro usetreni psani lze do souboru ~/.kshrc pridat: 

          cnv () { if [ -z "$4" ]
                    then sed -f /packages/share/CHARSETS/$1.$2 $3
                    else sed -f /packages/share/CHARSETS/$1.$2 $3 >$4
                   fi
                 }
a psat uz jenom: 
cnv kam isolat2 soubor.kam soubor.isolat2

Informace o jednotlivych kodech najdete napr. zde.

Autorem skriptu je Libor Škarvada libor (at) fi.muni.cz.