iconv 非法输入序列 - 为什么？

Question

在尝试将文本文件转换为其 ASCII 等效文件时，我收到错误消息iconv: illegal input sequence at position.

我使用的命令是 iconv -f UTF-8 -t ascii//TRANSLIT file

冒犯的字符是æ。

文本文件本身存在于此处。

为什么说是非法序列？输入字符是正确的 UTF-8 字符 (U+00E6)。

Answer 1

该文件以 ISO-8859-1 编码，而非 UTF-8：

$ hd 0606461.txt | grep -B1 '^0002c520'
0002c510  64 75 6d 20 66 65 72 69  65 6e 74 20 72 75 69 6e  |dum ferient ruin|
0002c520  e6 0d 0a 2d 2d 48 6f 72  61 63 65 2e 0d 0a 0d 0a  |...--Horace.....|

并且单独的字节“e6”不是有效的 UTF-8 序列。

所以，使用iconv -f latin1 -t ascii//TRANSLIT file.

Answer 2

您链接的文件在 HTML 文档中似乎是 UTF-8

$ file 0606461.txt 
0606461.txt: HTML document, ASCII text, with CRLF line terminators

如果您首先通过 HTML 到文本转换器运行它，例如

iconv -f UTF-8 -t ascii//TRANSLIT < <(html2text 0606461.txt)

那么您似乎遇到问题的 UTF-8 片段似乎可以无误地音译，即

Si fractus illabatur orbis.
Impavidum ferient ruinæ
--Horace.

变成

Si fractus illabatur orbis.
Impavidum ferient ruinae
--Horace.

该html2text实用程序可能未安装在您的系统上 - 如果您无法找到/安装它，还有其他转换器，包括 python 模块。