项目github地址:bitcarmanlee easy-algorithm-interview-and-practice
欢迎大家star,留言,一起学习进步
下来搜狐实验室一些新闻语料做分析,结果打开发现其他标签都正常,就 < c o n t e n t > <content> <content>标签内容不正常,全是乱码。因此估计十有八九是编码问题。上网找了下linux里怎么解决中文乱码的问题。
其实挺简单,用iconv命令就可以轻松搞定。linux里默认的字符集编码方式是utf-8,而下载的内容的编码格式应该是gbk,所以用如下命令:
cat news.allsites.1120806.txt | iconv -f gbk -t utf-8 -c | grep "<content>" >zzz
iconv命令就是将制定文件从一种编码方式换到另外一种一种编码。
-f,–from-code ,表示文本的原始编码方式
-t, --to-code 表示文本的输出编码方式
-c 表示在输出中忽略无效字符
最后再配合grep命令,就将文本中的正文内容提取出来