Question

我正在Websters Unabridged Dictionary上进行一些文本处理，遇到了一些我不知道的不符合任何标准的转义序列（即，它们不是HTML，CSS，Unicode等转义序列）的。

一些示例文本：

<h1>Galore</h1>
<Xpage=610>

<hw>Ga*lore"</hw> <tt>(?)</tt>, <tt>n. & a.</tt> <ety>[Scot. <ets>gelore</ets>, <ets>gilore</ets>, <ets>galore</ets>, fr. <ets>Gael</ets>. <ets>gu le\'95r</ets>, enough; <ets>gu-</ets> to, also an adverbial prefix + <ets>le\'95r</ets>, <ets>le\'95ir</ets>, enough; or fr. Ir. <ets>goleor</ets>, the same word.]</ety> <def>Plenty; abundance; in abundance.</def>

它们都是\'xy形式，其中x，y是[0-9]中的任何数字或[a-f]中的字母。显然，他们在形式上同意RTF escape sequences。但是，它们应该代表的字符远不正确。

对于我想要的数据中出现的那些，我已经知道：

{
   "\'80": "Ç",
   "\'81": "ü",
   "\'82": "é",
   "\'83": "â",
   "\'84": "ä",
   "\'85": "à",
   "\'86": "å",
   "\'87": "ç",
   "\'88": "ê",
   "\'89": "ë",
   "\'90": "É",
   "\'91": "æ",
   "\'92": "Æ",
   "\'93": "ô",
   "\'94": "ö",
   "\'95": "ò",
   "\'96": "û",
   "\'97": "ù"
}

起初，我认为这可能是一个简单的环绕错误（每个十六进制值xy的偏移量相同），但是通过查看ç和{{1 }}并将其偏移量与正确值进行比较，或者注意如果ö为Ç，则\'80应该为ü。

为了完整起见，我在正则表达式\'b5中找到的所有值（总计74）是：

r"\\\'[\d\w]{2,2}"

谁能告诉我这些转义序列遵循什么标准？链接到将表或库转换为Unicode的表或库。

编辑

进一步处理后发现：

\'3c
\'3e
\'80
\'81
\'82
\'83
\'84
\'85
\'86
\'87
\'88
\'89
\'8a
\'8b
\'8c
\'8d
\'90
\'91
\'92
\'93
\'94
\'95
\'96
\'97
\'9a
\'9c
\'a0
\'a1
\'a2
\'a3
\'a4
\'a6
\'a7
\'ab
\'ac
\'b5
\'b6
\'b7
\'b8
\'bd
\'be
\'bf
\'c3
\'c5
\'c6
\'c7
\'c8
\'c9
\'cb
\'cc
\'ce
\'cf
\'d0
\'d1
\'d2
\'d3
\'d4
\'d6
\'dc
\'dd
\'de
\'df
\'dh
\'eb
\'ed
\'ee
\'ef
\'f0
\'f4
\'f5
\'f6
\'f7
\'f8
\'fb

不幸的是，似乎{ "\'d1": "Œ", "\'d2": "œ", "\'ee": "ã" }中的字符与IBM codepage 437一致，但是文档的撰写者决定对非原始编码的字符使用自定义映射，可惜。

这些反斜杠转义序列使用什么标准？

0 个答案: