章 11. 資料轉換

	提示
	iconv(1) 是 libc6 軟體包的一部分並且它可以在類 Unix 的系統上轉換字元的編碼。

你能夠通過如下的指令用 iconv(1) 來轉換文字檔案的編碼。

$ iconv -f encoding1 -t encoding2 input.txt >output.txt

編碼值是大小寫不敏感的，且會在匹配時忽略“-”和“_”。可以使用“iconv -l”指令檢查支援的編碼。

	注意
	一些編碼只支援資料轉換，它不能作為語言環境的值 (節 8.1, “語言環境”)。

像 ASCII 和 ISO-8859 這樣適用於單位元組的字元集，字元編碼和字元集幾乎指的是同一件事情。

對於多字元的字元集，比如說，用於日文的 JIS X 0213，或用於差不多所有語言的 Universal Character Set (UCS, Unicode, ISO-10646-1) , 有多種編碼方案來序列化它們的位元組資料。

對於以上這些，字元集和字元編碼之間有著明顯的區別。

對某些計算機廠家而言，code page 是作為字元編碼表的同義詞來使用。

	注意
	請注意，大部分編碼系統共享 ASCII 的 7 位字元的同樣編碼，但也有一些列外。如果你從通常所說的 shift-JIS 編碼格式，轉化老的日文 C 語言程式和 URL 資料，到 UTF-8 格式,你需要使用 "CP932" 作為編碼名來代替 "shift-JIS" 來得到期望的結果： 0x5C → "\" 和 0x7E → "~".否則，這些將被轉化為錯誤的字元。

	提示
	recode(1) 也可能被使用並且不僅僅是 iconv(1)，fromdos(1)，todos(1)，frommac(1) 和 tomac(1) 功能的結合。想要獲得更多資訊，請參見 "info recode"。

#!/bin/sh
ENCDN=iso-8859-1
for x in *;
 do
 mv "$x" "$(echo "$x" | iconv -f $ENCDN -t utf-8)"
done

"$ENCDN" 變數定義了在老的作業系統下，檔名使用的原始編碼，見 表格 11.2, “編碼值和用法的列表”.

對於更加複雜的情況，請使用適當的編碼作為 mount(8) 的選項(參見 節 8.1.3, “檔名編碼”) 來掛載包含有這樣檔名的檔案系統（比如說，磁碟上的一個分割槽），使用 "cp -a" 指令來拷貝它的整個內容到另外一個使用 UTF-8 掛載的檔案系統上。

$ vim u-file.txt

$ vim '+e ++enc=latin2 pu-file.txt'

$ vim '+e ++enc=eucJP ju-file.txt'

$ vim '+e ++enc=CP932 ++ff=dos jw-file.txt'

請查閱 vim 線上幫助中的 mbyte.txt，"多位元組文字支援"和表格 11.2, “編碼值和用法的列表”來獲得 "++enc" 使用的本地值的資訊。

emacs 家族的程式能夠實現同樣的功能。

XML 文字看起來有些像 HTML.它能夠使我們管理一個文件的多個格式。一個簡單的 XML 系統是 docbook-xsl 軟體包，在這裡使用。

每一個 XML 檔案使用下面的標準 XML 宣告開始。

<?xml version="1.0" encoding="UTF-8"?>

XML 元素的基本語法是按下面的方式標記。

<name attribute="value">content</name>

內容為空的 XML 元素，使用下面的短格式標記。

<name attribute="value" />

上面列子中的 "attribute="value"" 是可選的。

XML 裡面的註釋部分，是按下面的方式標記。

<!-- comment -->

不同於增加標記，XML 至少要求使用預定義實體裡的內容來轉化下列字元。

	注意
	“<”或“&”不能在屬性（attributes）或元素（elements）中使用。

	注意
	當 SGML 式樣的使用者定義實體，比如 "&some-tag;", 被使用的時候，第一個定義會覆蓋其它的。實體定義在 "<!ENTITY some-tag "entity value">"裡表示。

	注意
	只要 XML 標記是一致使用某一標籤名集合（一些資料作為內容或屬性值），使用 Extensible Stylesheet Language Transformations (XSLT) 來轉換到另外一個 XML，是一個微不足道的任務。

有許多工具可以用於處理 XML 檔案，比如說： 可擴充套件樣式表語言 Extensible Stylesheet Language (XSL).

一旦你建立了一個好的成形的 XML 檔案，基本上來講，你就可以使用 可擴充套件樣式表語言轉換 Extensible Stylesheet Language Transformations (XSLT)，將其轉換成任何格式。

格式化物件的可擴充套件樣式表語言 Extensible Stylesheet Language for Formatting Objects (XSL-FO) 是用來作為格式化的解決方案. fop 軟體包比 Debian main 檔案庫要新，因為它依賴 Java 程式語言. LaTeX 程式碼通常是從 XML 使用 XSLT 生成，LaTe圖形化界面是用來建立 DVI, PostScript 和 PDF 這類可列印的檔案。

由於 XML 是 標準通用標記語言 Standard Generalized Markup Language (SGML)的一個子集,用於處理 SGML 的擴充套件工具，也能夠處理 XML，比如說 文件式樣語言和規範語言 Document Style Semantics and Specification Language (DSSSL).

	提示
	GNOME 的 yelp 往往能夠方便的直接讀取 DocBook XML 檔案，這是因為它可以從 X 獲得適當的渲染。

傳統意義上，roff 是 Unix 上主要的文字處理系統。參見 roff(7), groff(7), groff(1), grotty(1), troff(1), groff_mdoc(7), groff_man(7), groff_ms(7), groff_me(7), groff_mm(7) 和 "info groff"。

安裝好 groff 軟體包以後，你輸入 "-me" 巨集指令就能看到一份不錯的指導手冊，它的位置是 "/usr/share/doc/groff/"。

	提示
	"groff -Tascii -me -" 輸出帶有 ANSI 轉義碼的純文字。如果你想要 manpage 的輸出帶有許多 "^H" 和 "_"，那麼使用替代指令 "GROFF_NO_SGR=1 groff -Tascii -me -"。

	提示
	如果想要移除 groff 生成的文字檔案中的 "^H" 和 "_"，使用 "col -b -x" 來過濾它。

Tex Live 軟體提供了全部的 Te圖形化界面。texlive 元包只是 TeX Live 中的一部分，但是它足夠應付日常任務。

這裡有許多可用的 TeX 和 LaTeX 的參考資料。

這是最強大的排版環境。許多 SGML 處理器把它作為其後臺字處理工具。lyx 軟體包提供的 Lyx 和 texmacs 軟體包提供的 GNU TeXmacs 都為 LaTeX 提供了非常不錯的所見即所得的編輯環境，然而許多人使用 Emacs 和 Vim 作為其原始碼編輯器。

有許多線上資源存在。

當文件變得更大時，TeX 有時會出錯。你必須在 "/etc/texmf/texmf.cnf" 中增加 pool 的大小 (更確切的說話是編輯是 "/etc/texmf/texmf.d/95NonPath" 並且執行 update-texmf(8)) 來修復此問題。

	注意
	"The TeXbook" 的 TeX 原始碼可以從 http://tug.ctan.org/tex-archive/systems/knuth/dist/tex/texbook.tex 上下載。此檔案包含了絕大多數所需的巨集指令。我聽說把文件中的第7到第10行註釋了並且新增 "\input manmac \proofmodefalse"，就可以用 tex(1) 來處理此文件。我強烈建議去購買這本書 (還有 Donald E. Knuth 寫的其他書) 而不是使用線上版本，但是線上版本中的原始碼確實是學習 Tex 輸入很好的例子！

儘管用純 troff 格式寫手冊頁（manpage）是可能的，這裡還是有一些輔助的程式包用於建立手冊頁。

處理可印刷的資料的核心是 Ghostscript PostScript 直譯器，它能夠生成光柵影象。

	提示
	"gs -h" 能夠顯示 Ghostscript 的配置資訊。

你能夠使用 Ghostscript 中的 gs(1) 來合併兩個 PostScript(PS) 或可移植文件格式（PDF） 檔案。

$ gs -q -dNOPAUSE -dBATCH -sDEVICE=pswrite -sOutputFile=bla.ps -f foo1.ps foo2.ps
$ gs -q -dNOPAUSE -dBATCH -sDEVICE=pdfwrite -sOutputFile=bla.pdf -f foo1.pdf foo2.pdf

	注意
	PDF 是用途很廣的跨平臺可印刷的資料格式，它本質上是帶有一些額外特性和擴充套件的壓縮了的 PS 格式。

	提示
	對於指令列來說，psmerge(1) 和 psutils 包中的其他指令在處理 PostScript 文件時是很有用的。pdftk 包中的 pdftk(1) 在處理 PDF 文件的時候同樣是很好用的。

Unix 通用列印系統（CUPS） 中的 lp(1) 和 lpr(1) 指令都提供了自定義列印資料的選項。

你可以使用下列指令中的一個來列印 3 份有裝訂頁碼的檔案。

$ lp -n 3 -o Collate=True filename

$ lpr -#3 -o Collate=True filename

你能夠通過 "-o number-up=2", "-o page-set=even", "-o page-set=odd", "-o scaling=200", "-o natural-scaling=200" 等等印表機選項來進一步定製印表機操作，詳細的文件參見指令列列印和選項。

郵件 (SMTP) 資料需要被限制為 7 位資料序列。二進位制資料和 8 位文字資料使用 Multipurpose Internet Mail Extensions (MIME) 網際網路多用途郵件擴充套件 和選擇的字符集編碼到 7 位格式。(參見 表格 11.2, “編碼值和用法的列表”)。

標準的郵件儲存格式是 mbox，它是依據 RFC2822 (由 RFC822 更新) 來的格式. 參見 mbox(5) (由 mutt 軟體包提供).

對於歐洲語言,由於沒有什麼 8 位字元，"Content-Transfer-Encoding: quoted-printable" 加 ISO-8859-1 字元集通常被用於郵件。如果歐洲文字是被編碼為 UTF-8,由於幾乎全是 7 位資料，使用 "Content-Transfer-Encoding: quoted-printable" 也是合適的。

對於日語，傳統的 "Content-Type: text/plain; charset=ISO-2022-JP" 通常被用於郵件來保持文字在 7 位。但是老的微軟系統會在沒有宣告的情況下使用 Shift-JIS 來發送郵件。如果日語文字是用 UTF-8 編碼, 由於含有許多 8 位資料，使用 Base64 是合適的。其它亞洲語言也是類似情形。

	注意
	如果你的非 Unix 郵件資料可以透過一個具備和 IMAP4 服務通訊的非 Debian 客戶端訪問，你可以透過執行你的 IMAP4 服務來將郵件資料移出。

	注意
	如果你使用其它郵件儲存格式，第一步把它們移動到 mbox 格式比較好。像 mutt(1) 這樣多功能的客戶端程式可以便捷的完成這類操作。

你可以使用 procmail(1) 和 formail(1) 把郵箱內容分開成每一封郵件.

每一封郵件能夠使用來自 mpack 軟體包的 munpack(1) 指令（或其它特異的工具）來獲得 MIME 編碼內容。