c# - 检测编码转换问题

Question

我公司网站上的大部分内容都以 Word 文档（Windows-1252 编码）开始，最终被复制并粘贴到我们的 UTF-8 编码内容管理系统中。转换通常会阻塞一些必须手动清理的字符（特殊中断字符、智能引号、科学记数法），但当然有一些总是会漏掉。

你认为最好的方法是检测这些？

Answer 1

你究竟是如何进行转换的？

整个从 Word 复制的问题是我经常遇到的问题，但它应该真的很容易解决。

您提到的那些字符都在Windows 0x80- 1252 代码页与 ISO-8859-1 代码页不同的0x9F范围内。该范围在 ISO-8859-1 中未定义。

您必须从 ISO-8859-1（或者可能是 ISO-8859-15）而不是 Windows-1252 进行转换，导致它在该范围内的字符上阻塞。

您应该调整转换的源编码，或者，如果这不可能（我不熟悉 C#，但我对此表示怀疑），请使用代码页图表来修复与主转换分开的 32 个问题字符。

Answer 2

您可以将文本保存为 .rtf，然后使用其他程序对其进行解析吗？

您可以使用 Word 的 VBA 将文本保存为理智的东西吗？

Answer 3

如前所述，最好将 Word 内容导出为可解析的格式（RTF 或 XML 都可以）。

使用复制和粘贴将材料添加到您的 CMS 可能有一个特定的原因，但是通过复制和粘贴，除非您创建一个监视剪贴板的工具，否则您可能总是会以某种视觉检查和修复回合结束。

从 Word（最新版本）复制和粘贴时，剪贴板有几种不同的格式可供使用，其中一种格式是基于 XML 的。可以创建一些内容来清理剪贴板上的 Word XML，并将文本版本（您可能粘贴到 CMS）“设置”为清理后的格式。

您可以使用 Office 附带的 Word.interop 和标准 C# 剪贴板功能来创建它。该工具可以在 Word 的顶部（在后台）工作，同时将内容添加到 CMS。