快捷導(dǎo)航

Node.js實(shí)現(xiàn)修改文件字符集功能的具體過程

更新時(shí)間：2024年08月15日 09:12:05 作者：子洋

在日常生活、工作中,我們經(jīng)常會(huì)遇到需要處理不同編碼格式的文件,有時(shí),在嘗試打開這些文件時(shí)會(huì)遇到亂碼,原因通常是文件的編碼與我們使用的文本編輯器或編程語言的默認(rèn)編碼不匹配,這篇文章將介紹Node.js修改文件字符集的實(shí)現(xiàn)思路和具體實(shí)現(xiàn)過程

前言

在日常生活、工作中，我們經(jīng)常會(huì)遇到需要處理不同編碼格式的文件。有時(shí)，在嘗試打開這些文件時(shí)會(huì)遇到亂碼，原因通常是文件的編碼與我們使用的文本編輯器或編程語言的默認(rèn)編碼不匹配。這種情況尤其常見于一些歷史遺留的文件或從不同系統(tǒng)中導(dǎo)出的數(shù)據(jù)。

手動(dòng)處理這種問題不僅耗時(shí)，而且容易出錯(cuò)。如果文件數(shù)量較多，更是令人頭疼。為了解決這個(gè)問題，我編寫了一個(gè)腳本，自動(dòng)化地將大量文件的編碼格式轉(zhuǎn)換為常用的 UTF-8。這篇文章將介紹該腳本的實(shí)現(xiàn)思路和具體實(shí)現(xiàn)過程，希望對遇到類似問題的朋友有所幫助。

實(shí)現(xiàn)思路

實(shí)現(xiàn)的思路其實(shí)非常簡單：遞歸讀取指定文件夾下的所有文件，然后檢測每個(gè)文件的編碼格式，將其轉(zhuǎn)換為 UTF-8 并寫回文件。通過這種方式，我們能夠確保所有文件都統(tǒng)一為 UTF-8 編碼，從而避免亂碼問題。

具體實(shí)現(xiàn)

我們使用 Node.js 來實(shí)現(xiàn)這個(gè)功能。Node.js 提供了豐富的文件系統(tǒng)操作 API，以及強(qiáng)大的第三方庫來簡化編碼轉(zhuǎn)換等操作。下面是具體的實(shí)現(xiàn)過程。

遞歸讀取文件

首先，我們需要遞歸讀取指定目錄下的所有文件。這可以通過 Node.js 提供的 fs.readdir 方法來實(shí)現(xiàn)。這里有兩個(gè)很有用的配置屬性：

withFileTypes - 當(dāng)設(shè)置為 true 時(shí)，readdir 方法返回的將是 fs.Dirent 對象數(shù)組。這個(gè)對象提供了關(guān)于文件類型的信息，比如是否為目錄等。
recursive - 當(dāng)設(shè)置為 true 時(shí)，可以遞歸讀取目錄及其子目錄下的所有文件。

通過這兩個(gè)屬性，我們可以輕松地獲取指定目錄下的所有文件路徑，并判斷它們是否是文件夾。下面是具體代碼實(shí)現(xiàn)：

/**
 * 遞歸獲取文件夾下所有文件
 * @param {string} path 
 * @returns 
 */
async function readAllBook(path) {
  let filesList = [];

  const files = await readdir(path, { withFileTypes: true, recursive: true });
  for (const file of files) {
    if (file.isDirectory()) continue
    const filePath = join(file.path, file.name);
    filesList.push(filePath);
  }

  return filesList;
}

調(diào)用這個(gè)函數(shù)后，我們可以獲得指定目錄下所有文件的路徑，方便后續(xù)處理。

獲取字符集編碼

嘗試讀取文件內(nèi)容

通常在使用 Node.js 讀取文件時(shí)，我們會(huì)指定編碼方式，比如 utf-8。然而，如果文件的編碼格式與我們指定的不一致，就會(huì)出現(xiàn)亂碼。

await readFile('book/book1.txt', { encoding: 'utf-8' }).then(async (data) => {
	console.log(data);
})

如果文件本身并不是 utf-8 編碼的，讀取時(shí)就可能會(huì)出現(xiàn)亂碼。為了正確讀取文件，我們需要首先檢測它的編碼格式。

Node 支持的字符編碼

在處理文件編碼的時(shí)候，了解 Node.js 支持的字符編碼對我們來說還是挺重要的。Node.js 提供了一系列的編碼選項(xiàng)，可以在 Buffer 和字符串之間進(jìn)行轉(zhuǎn)換，以下是 Node.js 支持的主要字符編碼和它們的用途。

常用字符編碼

utf8（別名：utf-8）: 這是最常用的編碼格式，支持多字節(jié)編碼的 Unicode 字符。它能很好地處理包含各種字符的文本文件，是我們轉(zhuǎn)換目標(biāo)的首選編碼。
utf16le（別名：utf-16le）: 這個(gè)編碼格式也支持多字節(jié)編碼的 Unicode 字符，但與 utf8 不同，utf16le 使用 2 或 4 個(gè)字節(jié)來編碼每個(gè)字符。它常用于處理東亞字符集。
latin1: 這個(gè)編碼代表 ISO-8859-1，只支持 U+0000 到 U+00FF 范圍內(nèi)的 Unicode 字符。它使用單字節(jié)編碼，對于某些老舊系統(tǒng)或文件，這種編碼可能依然常見。

二進(jìn)制編碼

在處理一些需要編碼二進(jìn)制數(shù)據(jù)為字符串，或從字符串解碼二進(jìn)制數(shù)據(jù)的場景時(shí)，以下編碼格式也可能會(huì)用到：

base64: 這是最常見的二進(jìn)制到文本的編碼方式，常用于編碼圖像、音頻文件等。
hex: 將每個(gè)字節(jié)編碼為兩個(gè)十六進(jìn)制字符，常用于處理加密數(shù)據(jù)。

舊版字符編碼

ascii: 這個(gè)編碼僅適用于 7 位 ASCII 數(shù)據(jù)。在現(xiàn)代應(yīng)用中通常很少用到，因?yàn)樗鼰o法處理非英語字符。
binary: 這是 latin1 的別名，用于處理簡單的二進(jìn)制數(shù)據(jù)。
ucs2 和 ucs-2: 這些是 utf16le 的別名，曾經(jīng)用于處理不支持 U+FFFF 以上字符的場景。

jschardet

jschardet 是一個(gè)字符編碼的檢測器，可以用來檢測文本文件或數(shù)據(jù)流的字符編碼的工具。它的工作原理就是通過分析文本中的字節(jié)模式，嘗試匹配已知的編碼方式。支持 20 多種字符編碼，但要注意的是檢測出來的結(jié)果不能保證百分之百的準(zhǔn)確。

我們使用 npm i jschardet 安裝 jschardet 之后，就可以使用 detect 方法獲取字符編碼

import jschardet from 'jschardet';

await readFile('book/book1.txt').then(async (data) => {
  console.log(jschardet.detect(data));
})

這個(gè)方法會(huì)返回一個(gè)對象：encoding 和 confidence， encoding 是檢測的編碼，confidence 是這個(gè)檢測結(jié)果的置信度。

每個(gè)檢測器都會(huì)根據(jù)它的分析給出一個(gè)置信度（Confidence Level），置信度最高的編碼就會(huì)被選中。就像我們之前說的，因?yàn)楹芏嗑幋a很相似，所以這個(gè)檢測并不是百分之百準(zhǔn)確，但 chardet 設(shè)計(jì)得比較聰明，通常能給出一個(gè)比較靠譜的結(jié)果。

轉(zhuǎn)換字符集編碼

現(xiàn)在我們拿到了文件內(nèi)容的字符編碼，需要一個(gè)轉(zhuǎn)換器將內(nèi)容轉(zhuǎn)換為 utf-8, 這時(shí)我們需要引入一個(gè)新的庫 iconv-lite

iconv-lite 是一個(gè)用于 Node.js 的輕量級(jí)字符編碼轉(zhuǎn)換庫。它允許你在 Node.js 應(yīng)用程序中進(jìn)行字符編碼的轉(zhuǎn)換和處理，特別是處理非 UTF-8 編碼的數(shù)據(jù)。與其他類似的庫相比，iconv-lite 更加輕便，因?yàn)樗灰蕾囃獠康?C 庫或者原生模塊，完全用純 JavaScript 實(shí)現(xiàn)。

import iconv from 'iconv-lite';

await readFile('book/book1.txt').then(async (data) => {
  const { encoding } = jschardet.detect(data);
  console.log(iconv.decode(data, encoding));
})

通過以上代碼，我們可以將文件內(nèi)容正確地解碼為 UTF-8 格式，并輸出到控制臺(tái)。

獲取到轉(zhuǎn)碼內(nèi)容的后，我們就可以遍歷之前獲取的文件列表，全部進(jìn)行轉(zhuǎn)碼重新寫入文件了，這個(gè)步驟很簡單，不單獨(dú)進(jìn)行講解了，可以直接參考下面的完整代碼。

完整代碼

import { readdir, readFile, writeFile } from 'node:fs/promises';
import { join } from 'node:path';

import iconv from 'iconv-lite';
import jschardet from 'jschardet';

/**
 * 遞歸獲取文件夾下所有文件
 * @param {string} path 
 * @returns 
 */
async function readAllBook(path) {
  let filesList = [];

  const files = await readdir(path, { withFileTypes: true, recursive: true });
  for (const file of files) {
    if (file.isDirectory()) continue
    const filePath = join(file.path, file.name);
    filesList.push(filePath);
  }

  return filesList;
}

readAllBook('./book').then(async (files) => {
  console.log('文件重寫開始，請稍候...');
  for (const file of files) {
    await readFile(file).then(async (data) => {
      // 獲取讀取的內(nèi)容編碼
      const charset = jschardet.detect(data)
      // 轉(zhuǎn)換內(nèi)容編碼
      const fileContent = iconv.decode(data, charset.encoding || 'GB2312')
      // 重新寫回文件
      await writeFile(file, fileContent, { encoding: 'utf-8' }).catch((err) => {
        console.log(file + '文件寫入失敗', err);
      });
    });
  }
  console.log('文件重寫完成！');
});