有人知道如何让sed打印非法字节序列的位置吗?有人知道非法字节序列是什么吗?

$ uname -a
Darwin Adams-iMac 18.7.0 Darwin Kernel Version 18.7.0: Tue Aug 20 16:57:14 PDT 2019; root:xnu-4903.271.2~2/RELEASE_X86_64 x86_64

我通过使用tr来回答上面的问题。

我有一个.csv文件，这是一个信用卡对账单，我试图将其导入Gnucash。我住在瑞士，所以我必须处理Zürich这样的单词。怀疑Gnucash不喜欢数字字段中的“”，我决定简单地替换所有

; ;

with

;;

是:

$ head -3 Auswertungen.csv | tail -1 | sed -e 's/; ;/;;/g'
sed: RE error: illegal byte sequence

我用od来说明:注意这个od -c输出的中间部分的374

$ head -3 Auswertungen.csv | tail -1 | od -c
0000000    1   6   8   7       9   6   1   9       7   1   2   2   ;   5
0000020    4   6   8       8   7   X   X       X   X   X   X       2   6
0000040    6   0   ;   M   Y       N   A   M   E       I   S   X   ;   1
0000060    4   .   0   2   .   2   0   1   9   ;   9   5   5   2       -
0000100        M   i   t   a   r   b   e   i   t   e   r   r   e   s   t
0000120                Z 374   r   i   c   h                            
0000140    C   H   E   ;   R   e   s   t   a   u   r   a   n   t   s   ,
0000160        B   a   r   s   ;   6   .   2   0   ;   C   H   F   ;    
0000200    ;   C   H   F   ;   6   .   2   0   ;       ;   1   5   .   0
0000220    2   .   2   0   1   9  \n                                    
0000227

然后我想我可以尝试说服tr用374代替正确的字节码。所以首先我尝试了一些简单的东西，它没有工作，但有一个副作用，显示我麻烦的字节在哪里:

$ head -3 Auswertungen.csv | tail -1 | tr . .  ; echo
tr: Illegal byte sequence
1687 9619 7122;5468 87XX XXXX 2660;MY NAME ISX;14.02.2019;9552 - Mitarbeiterrest   Z

你可以在374字符处看到tr。

使用perl似乎可以避免这个问题

$ head -3 Auswertungen.csv | tail -1 | perl -pne 's/; ;/;;/g'
1687 9619 7122;5468 87XX XXXX 2660;ADAM NEALIS;14.02.2019;9552 - Mitarbeiterrest   Z?rich       CHE;Restaurants, Bars;6.20;CHF;;CHF;6.20;;15.02.2019

mklement0的答案很好，但我有一些小调整。

It seems like a good idea to explicitly specify bash's encoding when using iconv. Also, we should prepend a byte-order mark (even though the unicode standard doesn't recommend it) because there can be legitimate confusions between UTF-8 and ASCII without a byte-order mark. Unfortunately, iconv doesn't prepend a byte-order mark when you explicitly specify an endianness (UTF-16BE or UTF-16LE), so we need to use UTF-16, which uses platform-specific endianness, and then use file --mime-encoding to discover the true endianness iconv used.

(我把所有的编码都大写，因为当你用iconv -l列出所有iconv支持的编码时，它们都是大写的。)

# Find out MY_FILE's encoding
# We'll convert back to this at the end
FILE_ENCODING="$( file --brief --mime-encoding MY_FILE )"
# Find out bash's encoding, with which we should encode
# MY_FILE so sed doesn't fail with 
# sed: RE error: illegal byte sequence
BASH_ENCODING="$( locale charmap | tr [:lower:] [:upper:] )"
# Convert to UTF-16 (unknown endianness) so iconv ensures
# we have a byte-order mark
iconv -f "$FILE_ENCODING" -t UTF-16 MY_FILE > MY_FILE.utf16_encoding
# Whether we're using UTF-16BE or UTF-16LE
UTF16_ENCODING="$( file --brief --mime-encoding MY_FILE.utf16_encoding )"
# Now we can use MY_FILE.bash_encoding with sed
iconv -f "$UTF16_ENCODING" -t "$BASH_ENCODING" MY_FILE.utf16_encoding > MY_FILE.bash_encoding
# sed!
sed 's/.*/&/' MY_FILE.bash_encoding > MY_FILE_SEDDED.bash_encoding
# now convert MY_FILE_SEDDED.bash_encoding back to its original encoding
iconv -f "$BASH_ENCODING" -t "$FILE_ENCODING" MY_FILE_SEDDED.bash_encoding > MY_FILE_SEDDED
# Now MY_FILE_SEDDED has been processed by sed, and is in the same encoding as MY_FILE

我的解决方案是使用gnu sed。对我来说还行。

您只需在sed命令之前输入一个iconv命令。 输入文件:

iconv - f iso - 8859 - 1 - t UTF8-MAC file.txt | sed的s /一些/ aeeecuu / g |…

-f选项是“从”码集，-t选项是“到”码集转换。

注意大小写，网页通常显示小写字母，如< charset=iso-8859-1"/> iconv使用大写。 使用iconv -l命令，您可以在系统中获得iconv支持的代码集列表

UTF8-MAC是用于转换的现代OS Mac代码集。

显示该症状的示例命令:sed 's/。/@/' <<<$'\xfc'失败，因为字节0xfc不是有效的UTF-8字符。 注意，相比之下，GNU sed (Linux，但也可安装在macOS上)只是简单地传递无效字节，而不报告错误。

如果你不介意失去对真实语言环境的支持，使用以前接受的答案是一个选择(如果你在美国系统上，你永远不需要处理外国字符，这可能是好的)。

然而，对于单个命令，ad-hoc也可以产生相同的效果:

LC_ALL=C sed -i "" 's|"iphoneos-cross","llvm-gcc:-O3|"iphoneos-cross","clang:-Os|g' Configure

注意:重要的是C的有效LC_CTYPE设置，因此LC_CTYPE=C sed…通常也可以工作，但如果LC_ALL恰好被设置(为C以外的东西)，它将覆盖个别LC_*-类别变量，如LC_CTYPE。因此，最健壮的方法是设置LC_ALL。

然而，(有效地)将LC_CTYPE设置为C将字符串视为每个字节都是它自己的字符(不执行基于编码规则的解释)，而不考虑OS X默认采用的-多字节按需- UTF-8编码，其中外部字符具有多字节编码。

简而言之:将LC_CTYPE设置为C会导致shell和实用程序仅将基本的英语字母识别为字母(7位ASCII范围内的字母)，因此外部字符。不会被视为字母，例如，会导致大写/小写转换失败。

同样，如果您不需要匹配多字节编码的字符(如é)，而只是想传递这些字符，那么这样做也可以。

如果这还不够，并且/或者您想了解原始错误的原因(包括确定导致问题的输入字节)并根据需要执行编码转换，请阅读下面的内容。

---

问题是输入文件的编码与shell的编码不匹配。 更具体地说，输入文件包含以UTF-8无效的方式编码的字符(正如@Klas Lindbäck在注释中所述)——这就是sed错误消息试图通过无效的字节序列表示的内容。

很可能，您的输入文件使用单字节8位编码，如ISO-8859-1，经常用于编码“西欧”语言。

例子:

重音字母à具有Unicode代码点0xE0(224) -与ISO-8859-1相同。然而，由于UTF-8编码的性质，这个单个代码点表示为2个字节- 0xC3 0xA0，而试图传递单个字节0xE0在UTF-8下是无效的。

下面是使用ISO-8859-1编码的字符串voilà的问题演示，其中à表示为一个字节(通过ansi - c引用的bash字符串($'…')，使用\x{e0}创建字节):

注意，sed命令实际上是一个no-op，只是简单地传递输入，但我们需要它来引发错误:

  # -> 'illegal byte sequence': byte 0xE0 is not a valid char.
sed 's/.*/&/' <<<$'voil\x{e0}'

为了简单地忽略这个问题，可以使用上面的LCTYPE=C方法:

  # No error, bytes are passed through ('á' will render as '?', though).
LC_CTYPE=C sed 's/.*/&/' <<<$'voil\x{e0}'

如果你想确定输入的哪一部分导致了问题，试试下面的方法:

  # Convert bytes in the 8-bit range (high bit set) to hex. representation.
  # -> 'voil\x{e0}'
iconv -f ASCII --byte-subst='\x{%02x}' <<<$'voil\x{e0}'

输出将以十六进制形式显示具有高位集的所有字节(超过7位ASCII范围的字节)。(但请注意，这也包括正确编码的UTF-8多字节序列——需要更复杂的方法来明确识别UTF-8字节中的无效字节。)

---

按需执行编码转换:

标准实用程序iconv可用于转换(-t)和/或从(-f)编码;Iconv -l列出所有支持的。

例子:

从ISO-8859-1转换为shell中有效的编码(基于LC_CTYPE，默认是基于utf -8的)，构建在上面的示例上:

  # Converts to UTF-8; output renders correctly as 'voilà'
sed 's/.*/&/' <<<"$(iconv -f ISO-8859-1 <<<$'voil\x{e0}')"

注意，这种转换允许你正确匹配外部字符:

  # Correctly matches 'à' and replaces it with 'ü': -> 'voilü'
sed 's/à/ü/' <<<"$(iconv -f ISO-8859-1 <<<$'voil\x{e0}')"

要在处理后将输入转换回ISO-8859-1，只需将结果管道到另一个iconv命令:

sed 's/à/ü/' <<<"$(iconv -f ISO-8859-1 <<<$'voil\x{e0}')" | iconv -t ISO-8859-1

我的解决方法是使用Perl:

find . -type f -print0 | xargs -0 perl -pi -e 's/was/now/g'