Utilizator:Ark25/PR7/B

HTML-urile care nu conțin codul:

<meta http-equiv="Content-Type" content="text/html; charset=UTF-8">

vor poci caracterele după cum urmează:

• î     =>    Ã®     -    ( î ) -=- C3 AE

• ă     =>    Äƒ     -    ( ă ) -=- C4 83

• ö     =>    Ã¶     -    ( ö ) -=- C3 B6

• ü     =>    Ã¼     -    ( ü ) -=- C3 BC

• é     =>    Ã©     -    ( é ) -=- C3 A9

• ’     =>    â€™     -    ( ’ ) -=- E2 80 99

• “     =>    â€œ     -    ( “ ) -=- E2 80 9C

• …     =>    â€¦     -    ( … ) -=- E2 80 A6

• â     =>    Ã¢     -    - [1]

Conversion: You got < “ > and you want to see what character is encoded into that. Copy the text < “ > and save it into a new text file in Notepad2, with encoding: ANSI. Save the file, close it and then open it again in Notepad2. Now, instead of < “ > you will get < “ >

Exemple de asemenea pagini:

• Croitorul Regelui, 15 aprilie 2007, Raluca Grintescu, Roxana Roseti, Jurnalul Național
• Regele și Margareta - De „Ziua Republicii", Mihai și-a desemnat succesoarea, 2 ianuarie 2008, Ilarion Tiu, Jurnalul Național

Soluția: Bookmarklet pentru reparat poceli de caractere

---

Mai multe:

Cum pot apărea asemenea poceli și cum se repară:

De exemplu, vrei să downloadezi paginile Mihail C. Șuțu - Alexandru Bârlădeanu - Rîbnița - Muş:

wget -i links.txt

(links.txt conține linkurile de downloadat):

• http://ro.wikipedia.org/wiki/Mihail_C._%C8%98u%C8%9Bu
• http://ro.wikipedia.org/wiki/Alexandru_B%C3%A2rl%C4%83deanu
• http://ro.wikipedia.org/wiki/R%C3%AEbni%C8%9Ba
• http://ro.wikipedia.org/wiki/Mu%C5%9F

după download, vei găsi fișierele numite: Mihail_C_È%98uÈ%9Bu - Alexandru_BârlÄ%83deanu - RîbniÈ%9Ba - MuÅ%9F - numele sunt gata pocite.

cum transformi aceste nume pocite în Mihail C. Șuțu - Alexandru Bârlădeanu - Rîbnița - Muş:

În primul rând, trei tabele ajutătoare:

• î = C3 AE
• Î = C3 8E

• â = C3 A2
• Â = C3 82

• ă = C4 83
• Ă = C4 82

• ş cu sedilă = C5 9F
• Ş cu sedilă = C5 9E

• ţ cu sedilă = C5 A3
• Ţ cu sedilă = C5 A2

• ș cu virgulă: C8 99
• Ș cu virgulă: C8 98

• ț cu virgulă: C8 9B
• Ț cu virgulă: C8 9A

---

• î = î
• Î = ÃŽ

• â = â
•  = Â

• ă = ă
• Ă = Ä‚

• ş cu sedilă = ÅŸ
• Ș cu sedilă = Åž

• ţ cu sedilă = Å£
• Ț cu sedilă = Å¢

• ș cu virgulă = È™
• Ș cu virgulă = Ș

• ț cu virgulă = È›
• Ț cu virgulă = Èš

---

• î = Ã%AE
• Î = Ã%8E

• â = Ã%A2
• Â = Ã%82

• ă = Ä%83
• Ă = Ä%82

• ş cu sedilă = Å%9F
• Ş cu sedilă = Å%9E

• ţ cu sedilă = Å%A3
• Ţ cu sedilă = Å%A2

• ș cu virgulă = È%99
• Ș cu virgulă = È%98

• ț cu virgulă = È%9B
• Ț cu virgulă = È%9A

---

(al doilea tabel conține codurile pocite despre care se vorbește la începutul paginii)

facem:

ls > files.txt

(ls.exe se găsește în gnuwin32)

de unde rezultă fișierul "files.txt", care conține numele pocite ale fișierelor: Mihail_C_È%98uÈ%9Bu - Alexandru_BârlÄ%83deanu - RîbniÈ%9Ba - MuÅ%9F

acum, facem un script sed (fișierul "script.sed") care arată așa:

#i
s/Ã%AE/î/g
s/Ã%8E/ÃŽ/g

#a de la Romania
s/Ã%A2/â/g
s/Ã%82/Â/g

#a de la Mar
s/Ä%83/ă/g
s/Ä%82/Ä‚/g

#s cu sedila
s/Å%9F/ÅŸ/g
s/Å%9E/Åž/g

#t cu sedila
s/Å%A3/Å£/g
s/Å%A2/Å¢/g

#s cu virgula
s/È%99/È™/g
s/È%98/Ș/g

#t cu virgula
s/È%9B/È›/g
s/È%9A/Èš/g

acum facem:

cat files.txt | sed -f script.sed > files1.txt
echo1 -ne \xEF\xBB\xBF > files2.txt
cat files1.txt >> files2.txt

Fișierul "files1.txt" va conține numele reparate. Dacă totuși nu apar afișate corect, deschide fișierul "files2.txt", care conține, pentru siguranță, semnătura UTF-8 la început de fișier (EF BB BF)

(cat, sed, ls și echo1 se găsesc în gnuwin32)

tot scriptul:

wget -i links.txt
ls > files.txt
cat files.txt | sed -f script.sed > files1.txt
echo1 -ne \xEF\xBB\xBF > files2.txt
cat files1.txt >> files2.txt

Observații: caracterele â și î sunt pocite în "â" și "î" (al doilea tabel) în loc de "Ã%A2" și "Ã%AE" (al treilea tabel). Deci practic "â" și "î" nu e nevoie să fie tratate în "script.sed"

---

Mai multe: cum se obțin cele trei tabele.

1. Cum se obține codul UTF-8 al unui caracter diacritic.

De exemplu caracterul "ș": mergi la pagina AB. Acum, în bara de adresă schimbă AB, cu Aș (adresa din bara de adresă va arăta așa: http://ro.wikipedia.org/wiki/Aș). Apasă "Enter". Apare o pagină de eroare. (Wikipedia încă nu are o pagină despre Aș.). Nu-i nimc. Acum copiază adresa (URL-ul din bara de adresă). Vei obține: http://ro.wikipedia.org/wiki/A%C8%99 adică:

• http://ro.wikipedia.org/wiki/Aș

devine

• http://ro.wikipedia.org/wiki/A%C8%99

rezultă:

• ș = C8 99

2. Cum se obține "poceala" unui caracter (la începutul paginii am văzut cum se obține caracterul din "poceală").

2a. Edit a new text file in Notepad2, encode the file with UTF-8 and add the text: "ă". Then view the file in Free Commander with F3 - you can see "ă" but you can't copy it.

2b. Now, add to the begining of the file the following line:

<meta charset="ANSI" />

2c. Close the file and open it again (in Notepad2). You will see the "ă" text and you can copy it.

3. Tabelul al treilea se obține prin amestecarea primelor două.