我公司网站上的大部分内容都是以Word文档（Windows-1252编码）开头，最终被复制并粘贴到我们的UTF-8编码内容管理系统中。转换通常会扼杀几个字符（特殊字符，智能引号，科学记号），这些字符必须手动清理，但当然有一些字符总是会漏掉。
您认为最好的方法是检测这些？
答案 0 :(得分：2)
你到底在做什么转换？
整个Word复制问题是我经常遇到的问题，但它应该很容易解决。
您提到的这些字符都在0x80 - 0x9F范围内the Windows-1252 code page differs from the ISO-8859-1 code page。该范围在ISO-8859-1中未定义。
你必须从ISO-8859-1（或者可能是ISO-8859-15）而不是Windows-1252进行转换，导致它阻塞该范围内的字符。
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），请使用代码页图表修复与主要文件分开的32个问题字符转换。
答案 1 :(得分：1)
您可以将文本另存为.rtf，然后使用其他程序解析吗？
你能使用Word的VBA将文本保存为理智吗？
答案 2 :(得分：1)
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）。
可能有一个特定的原因使用复制粘贴将材料添加到CMS但是通过复制和粘贴，您可能总是最终会进行某种视觉检查和修复，除非您创建一个监视工具剪贴板。
从Word（最新版本）Word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。 可以创建一些东西来清理剪贴板上的Word XML，并将文本版本（可能粘贴到CMS）“设置”为清理后的格式。
您可以使用Office和标准C＃剪贴板函数附带的Word.interop来创建它。该工具可以在Word的顶部（在后台）工作，同时向CMS添加内容。