如何在 Perl 中将 XML 文档从 Latin-1 转换为 UTF-8？

Question

我们公司希望将我们托管的所有站点从 Latin-1 转换为 UTF-8。经过大量谷歌搜索后，我们的 Perl 脚本几乎完成了。现在唯一缺少的是 XML 文件。

将 XML 从 Latin-1 转换为 UTF-8 的最佳方法是什么？它有用吗？

我问这个问题是因为我们对此不确定，因为谷歌上的大多数条目都解释了如何做完全相反的事情。甚至有人说utf8可能会导致XML出现问题。您能给我们介绍一下整个 XML 编码问题吗？

Answer 1

你要转换什么？数据、XML 标签还是其他什么？

我认为你只需要将其读取为 Latin-1 并将其重写为 UTF-8 除非你的源代码做了一些非常奇怪的事情。解码和编码发生在文件句柄级别。一旦你在 Perl 中使用它，它的内部就已经是 UTF-8 了。

到目前为止你有什么？您遇到什么问题？

您的情况是否太复杂而无法仅使用 xmllint ？

 xmllint --encode utf8 --output filename.xml filename.xml.latin1

如果您使用的是 XML::Parser，请参阅有关该模块的 Juerd 的 Unicode 建议。

如果您要转换的不仅仅是 XML 文件，iconv可能有帮助：

iconv -f ISO-8859-1 -t UTF-8 filename.txt.latin1 > filename.txt

Answer 2

我会使用xmllint --encode utf8 FILE-NAME，示例：

xmllint --encode utf8 --output test.xml test.xml

将正确地将test.xml（无论它可能有什么编码）转换为UTF-8，包括XML序言。

Answer 3

正如 brian 提到的，Perl 内部使用 UTF-8。不管你想要与否，Perl 都会转换它。

这个诡计与 UTF8 标志有关，该标志是附加到每个字符串的位标志。对于 XML::Parser 返回的数据，设置了 UTF8 标志。

如果您想摆脱此行为，请清除 UTF8 标志。一种方法是这样的：

sub de_utf8 {
    use bytes;
    return "$_[0]";
}

这样，结果字符串将是与原始字符串相同的字节数据。

编辑：有点偏离OP的主题...抱歉。