时间戳

首页 > 解决方案 > 将错误文本转换为韩语

python - 将错误文本转换为韩语

问题描述

问题

我正在清理一些旧的韩语代码，我想将一些曾经是韩语的代码部分翻译成英文。但是，似乎存在编码问题，并且文本不再是韩语。相反，这是一个乱码。

我想从断线到英文翻译。

我的计划是从损坏的字符串开始，使用用于在我的计算机上解码损坏的字符串的编解码器将其编码为二进制，使用韩语编解码器将二进制解码为韩语，然后谷歌将韩语翻译成英语。问题是我不知道如何将这个烂摊子解码成可读的韩语。

我试过的

我开始编写一些 Python3 代码来翻译它，但我一直遇到编码错误，老实说，我不知道从哪里开始。这段代码是在假设韩国人使用cp949编解码器的情况下编写的，我不确定。

fileIn = open('Broken_Korean.txt', 'r', encoding='cp949')
fileOut = open('Fixed_Korean.txt', 'w')

Lines = fileIn.readlines()
for line in Lines:
    fileOut.write(str(line.encode('cp949')))
    fileOut.write('\n')
    fileOut.write(line.encode('cp949').decode('utf-8'))

我也研究过这个问题，但我没有发现任何突破性的东西。我相信用于显示损坏字符串的编解码器是 UTF-8，但我可能弄错了。我不知道原来的韩文是怎么写的，除了它是用“多字节编码方案（MBCS）”写的。就上下文而言，编写此程序的程序是 LabVIEW 2015。据推测，他们在编写初始代码时使用了韩语版本。

断弦的一些例子：

ÆÄÀÏ ´ëÈ­ »óÀÚ5

ÆÄÀÏ ´ëÈ­ »óÀÚ6

ÆÄÀÏ ´ëÈ­ »óÀÚ

幸运的是，一些编码错误发生在枚举上，所以我能够找到英文翻译。使用那个翻译，我可以猜出古兰经可能是什么，但我不确定。我认为这可能有助于我推断使用的编解码器，但我不知道该怎么做。

À¯ÇÑ »ùÇÃ= 有限样本 > 유한 샘플

¿¬¼Ó »ùÇÃ= 连续样本 > 연속 샘플

Çϵå¿þ¾î ŸÀֿ̹¡ ÀÇÇÑ ´ÜÀÏ Æ÷ÀÎÆ®= 硬件定时单点 > 하드웨어 타이밍 단일 포인트</p>

任何有关使用编码的帮助或有关如何解决此问题的提示将不胜感激！我现在很迷茫。

编辑：这是一些损坏字符串的十六进制转储：

Broken_Korean.txt

ÆÄÀÏ ´ëÈ­ »óÀÚ5
ÆÄÀÏ ´ëÈ­ »óÀÚ6
ÆÄÀÏ ´ëÈ­ »óÀÚ
À¯ÇÑ »ùÇÃ
¿¬¼Ó »ùÇÃ
Çϵå¿þ¾î ŸÀֿ̹¡ ÀÇÇÑ ´ÜÀÏ Æ÷ÀÎÆ®

hexdump -C Broken_Korean.txt                                       
000000  c3 86 c3 84 c3 80 c3 8f 20 c2 b4 c3 ab c3 88 c2  ........ .......                                               
000010  ad 20 c2 bb c3 b3 c3 80 c3 9a 35 0d 0a c3 86 c3  . ........5.....                                               
000020  84 c3 80 c3 8f 20 c2 b4 c3 ab c3 88 c2 ad 20 c2  ..... ........ .                                               
000030  bb c3 b3 c3 80 c3 9a 36 0d 0a c3 86 c3 84 c3 80  .......6........                                               
000040  c3 8f 20 c2 b4 c3 ab c3 88 c2 ad 20 c2 bb c3 b3  .. ........ ....                                               
000050  c3 80 c3 9a 0d 0a c3 80 c2 af c3 87 c3 91 20 c2  .............. .                                               
000060  bb c3 b9 c3 87 c3 83 0d 0a c2 bf c2 ac c2 bc c3  ................                                               
000070  93 20 c2 bb c3 b9 c3 87 c3 83 0d 0a c3 87 c3 8f  . ..............                                               
000080  c2 b5 c3 a5 c2 bf c3 be c2 be c3 ae 20 c3 85 c2  ............ ...                                               
000090  b8 c3 80 c3 8c c2 b9 c3 96 c2 bf c2 a1 20 c3 80  ............. ..                                               
0000a0  c3 87 c3 87 c3 91 20 c2 b4 c3 9c c3 80 c3 8f 20  ...... ........                                                
0000b0  c3 86 c3 b7 c3 80 c3 8e c3 86 c2 ae              ............

标签： pythonpython-3.xcharacter-encodinglabviewnon-ascii-characters

解决方案

hexdump 中的数据可能被读取为 ISO-8859-1（aka Latin-1）并重新保存为 UTF-8。要反转，解码为 UTF-8 以获得原始cp939字节值，但在 Unicode 字符串中作为 Unicode 代码点。编解码器latin1占用前 256 个代码点，并且使用它进行编码会给出具有相同字节值的字节串。然后可以应用正确的编解码器来解码回 Unicode 字符串：

data = bytes.fromhex('''
c3 86 c3 84 c3 80 c3 8f 20 c2 b4 c3 ab c3 88 c2
ad 20 c2 bb c3 b3 c3 80 c3 9a 35 0d 0a c3 86 c3
84 c3 80 c3 8f 20 c2 b4 c3 ab c3 88 c2 ad 20 c2
bb c3 b3 c3 80 c3 9a 36 0d 0a c3 86 c3 84 c3 80
c3 8f 20 c2 b4 c3 ab c3 88 c2 ad 20 c2 bb c3 b3
c3 80 c3 9a 0d 0a c3 80 c2 af c3 87 c3 91 20 c2
bb c3 b9 c3 87 c3 83 0d 0a c2 bf c2 ac c2 bc c3
93 20 c2 bb c3 b9 c3 87 c3 83 0d 0a c3 87 c3 8f
c2 b5 c3 a5 c2 bf c3 be c2 be c3 ae 20 c3 85 c2
b8 c3 80 c3 8c c2 b9 c3 96 c2 bf c2 a1 20 c3 80
c3 87 c3 87 c3 91 20 c2 b4 c3 9c c3 80 c3 8f 20
c3 86 c3 b7 c3 80 c3 8e c3 86 c2 ae
''')

fixed = data.decode('utf8').encode('latin1').decode('cp949')
print(fixed)

输出：

파일 대화 상자5
파일 대화 상자6
파일 대화 상자
유한 샘플
연속 샘플
하드웨어 타이밍에 의한 단일 포인트

翻译（谷歌翻译）：

File Dialog 5
File Dialog 6
File dialog
Finite sample
Continuous sample
Single point by hardware timing

如果从文件开始，将文件读取为 UTF-8，应用修复，然后将其写回为（正确的）UTF-8：

with open('Broken_Korean.txt', 'r', encoding='utf8') as f:
    data = f.read().encode('latin1').decode('cp949')

with open('Fixed_Korean.txt', 'w', encoding='utf8') as f:
    f.write(data)

推荐阅读