Fájl-ékezet probléma: Az alábbi problémát mi okozhatja?

Kate-ben megnyitva milyen kódolást ír ki? Milyen programnak az outputja? Mi a t

rendszerben a locale-ed?

megnéztem hexeditorral, hogy mi van a fileban, amit küldtél. Úgy tünik, az ékezetes karaktereket 4 byte-on kódolja el. Ezeket találtam:

c4 82 c2 b6 -> ö

c4 82 c4 bd -> ü

c4 82 c5 82 -> ó

c4 82 cb 87 -> á

c4 8a c2 a9 -> é

c4 b9 e2 80 -> ő

Hogy ez milyen kódolás, fogalmam sincs. Tuti nem utf-8, nem utf-16 és nem is utf-32.

Leírhatnád, hogy honnan jön ez a string... Gondolom valaki begépeli valami weboldalon, te meg feldolgozod valahogy, aztán kiírod valahova.

"Nem rövidített link"

Mert szerinted a we.tl mégis mi?

"Ha programozáshoz, informatikához értesz, akkor ..."

1. Van már annyi tapasztalat a hátam mögött, hogy ki merem jelenteni, hogy legalábbis jelen esetben nem az én tudásom az, amit kritizálni kéne.

2. Bocs, de nincs kedvem annak utánajárogatni, hogy vajon egy random kérdésben, egy szemre is gyanús linkben vajon mi lehet. Ne az én feladatom legyen már, hogy kinyomozzam, vajon egy kérdésben a link most megbízható-e, vagy sem.

Ami pedig a kötekedést illeti: nem látok semmit az első hozzászólásomban, ami kötekedés lenne. Annyit írtam, hogy nem fogok egy olyan linket megnyitni, ami szemre gyanús. Tízből kilencszer az ilyen linkek ugyanis vagy valamilyen malware-t tartalmaznak, vagy feldobnak fél tucat ablakot, ahol különböző szerencsejátékokra akarnak rábírni, meg persze felkínálják, hogy keféljek szingli anyukákat a környékemen. Rosszabb esetben még ezt-azt át is állítanak a böngészőben. Ezért sokkal tisztább mondjuk Google Drive-on megosztani, vagy ha van FTP-szervered, akkor ott.

A többi kérdésemben sem volt semmi kötekedő, pusztán elég kevés információ volt megadva a kérdésben.

A szöveg egyébként kétszeresen van kódolva. UTF-8 volt a bemeneti sztring, és ez lett hibásan valamilyen 8 bites (pl. ISO-8859-2, CP852/akármi, Windows-1250, stb.) kódolással megnyitva, és ismét UTF-8 kódolással elmentve. Viszont míg az első fázis, amikor az UTF-8-at 8 bitesként jelenítette meg, az még nem valódi konverzió volt, az adatsor bitre pontosan ugyanaz maradt, csak a megjelenítés/értelmezés történt 8 biten. Ezután viszont ténylegesen UTF-8-ra konvertálódott a karaktersor, tehát maga az adat is megváltozott, mégpedig a hibásan megjelenített karakterek két bájton, UTF-8-ba konvertálva lettek elmentve. Ezért lett egy ékezetes karakterből 4 bájt. Mert eredetileg 2 volt (UTF-8), az be lett töltve 8 bites szövegként, ezért az eredeti ékezetes karakterek mindkét bájtja külön került megjelenítésre. Viszont ez el lett mentve UTF-8-ba, megjelenített karakterenként 2-2 bájton. Így lett az eredeti 1 karakterből 4 bájt.

Ha programot akarsz írni rá, akkor talán a legegyszerűbb, hogy első lépésben "kézzel" megállapítod, hogy melyik bájtsorok milyen karaktert jelentettek eredetileg. (Biztos van rá automatizáltabb megoldás is, ha kicsit beleássa magát az ember a karakterkódolásokba, de ha csak ennyi a cél, akkor ez is megfelelő megoldás.) Aztán megnyitod a fájlt binárisként, és amikor valamelyik ilyen 4 bájtos sorozatot észleled, ahelyett a kimeneti fájlba az annak megfelelő ékezetes karaktert írod.

De azt aki osztott már meg kódot, ismeri. Ellenben egy 428. random "fájlküldő" oldalt, amin egyébként több a reklám, mint a TV2 esti műsorblokkjában, korántsem biztos.

Amúgy meg talán nem ezen kellene fennakadnod.