ฉันมีไฟล์ข้อความจากแหล่งดั้งเดิมที่มีอักขระที่เสียหาย
ตอนแรกฉันคิดว่าการทุจริตเป็นแค่ gobbledygook แต่มันปรากฏขึ้นเมื่อตรวจสอบอย่างใกล้ชิดว่าข้อความที่เสียหายบางส่วนอาจถูกสร้างขึ้นใหม่
เพื่อที่จะมุ่งเน้นความพยายามของฉันมันจะเป็นประโยชน์ในการเข้าใจสิ่งที่ดูเหมือนต้นฉบับแม้ว่าฉันจะไม่สามารถสร้างใหม่ได้อย่างเต็มที่
น่าเสียดายที่เอกสารมาจากคอลเล็กชันที่ฉันไม่สามารถแชร์ได้อย่างอิสระ แต่นี่เป็นตัวอย่าง ข้อความถูกแปลงเป็น UTF-8 แต่การแปลงล้มเหลวที่ใดที่หนึ่งดังนั้นจึงอ่านไม่ออกส่วนใหญ่ ส่วนของข้อความในเช็กสามารถมองเห็นได้ซึ่งอักขระเช็กที่เน้นเสียงถูกแทนที่ด้วยอักขระซิริลลิก (ซึ่งอาจเป็นสิ่งที่แตกต่างไปจากเดิมอย่างสิ้นเชิงก่อนการแปลง)
0001f80: 33d1 936e 6576 79d1 87d0 bd7a 656e d18c 3..nevy....zen..
0001f90: 6368 7e58 3833 d193 7e58 3945 d19b d0b1 ch~X83..~X9E....
0001fa0: 646f 7374 d0bd 7e58 3833 d193 6e61 7e58 dost..~X83..na~X
0001fb0: 3833 d193 7ad1 87d0 bd7a 656e 20d0 bd7e 83..z....zen ..~
0001fc0: 5838 33d1 936e 6562 6f7e 5838 33d1 9370 X83..nebo~X83..p
0001fd0: d187 656b 6cd0 b164 6b75 7e58 3833 d193 ..ekl..dku~X83..
0001fe0: 7465 6c65 666f 6e6e d0bd 7e58 3833 d193 telefonn..~X83..
0001ff0: 7374 616e 6963 657e 5838 33d1 9376 207e stanice~X83..v ~
0002000: 5838 33d1 9372 6567 696f 6e75 7e58 3833 X83..regionu~X83
0002010: d193 5072 6168 617e 5838 33d1 9365 7669 ..Praha~X83..evi
0002020: 6475 6a65 7e58 3833 d193 5350 547e 5838 duje~X83..SPT~X8
0002030: 33d1 9354 656c 6563 6f6d 2e7e 5838 33d1 3..Telecom.~X83.
0002040: 934e 617e 5838 33d1 9364 6e65 7e58 2039 .Na~X83..dne~X 9
0002050: 41d1 996e d0bd 7e58 3833 d193 7469 736b A..n..~X83..tisk
0002060: 6f76 d0b9 7e58 3833 d193 6b6f 6e66 6572 ov..~X83..konfer
0002070: 656e 6369 7e58 3833 d193 746f 7e58 3833 enci~X83..to~X83
0002080: d193 d187 656b 6c7e 5838 33d1 93d1 8765 ....ekl~X83....e
ฉันคาดเดาอย่างคลุมเครือว่าการเข้ารหัสอาจเกี่ยวข้องกับ ISO-2022 แต่ฉันไม่คุ้นเคยพอที่จะแน่ใจ เห็นได้ชัดว่าผ่านตัวกรองที่หักอย่างน้อยหนึ่งตัวอาจมีหลายตัวก่อนที่จะสิ้นสุดลงเช่นนี้
มองไปที่บรรทัดแรก d1 93 คือѓและน่าจะเป็น 8 บิตเดียวก่อนการแปลง รูปแบบทั่วไปน่าจะเป็น ~XFF ตามด้วยสัญญาณไบต์ที่ FF เป็นลำดับเลขฐานสิบหกใน ASCII ธรรมดา (ส่วนใหญ่ 83 ที่นี่ แต่โดยทั่วไปจาก 80 ถึง 9E ในตัวอย่างทั้งหมด) และไบต์สุดท้ายคือตอนนี้เป็นอักขระ UTF-8 (อาจมีหลายไบต์ในอินพุตเช่นกันแน่นอน) ลำดับนี้จะปรากฏระหว่างคำ (เสมอ ~X83ѓ?) และบางครั้งก็เป็นคำพูด
นี่คือแฟรกเมนต์เดียวกับข้อความเพียงอย่างเดียวซึ่งแสดงภายใต้ UTF-8 ในขณะนี้
3ѓnevyчнzenьch~X83ѓ~X9Eћбdostн~X83ѓna~X83ѓzчнzen н~X83ѓnebo
~X83ѓpчeklбdku~X83ѓtelefonnн~X83ѓstanice~X83ѓv ~X83ѓregionu
~X83ѓPraha~X83ѓeviduje~X83ѓSPT~X83ѓTelecom.~X83ѓNa~X83ѓdne~
X 9Aљnн~X83ѓtiskovй~X83ѓkonferenci~X83ѓto~X83ѓчekl~X83ѓчe
ฉันมีตัวอย่างอื่น ๆ ในภาษาอื่น ๆ เพื่อให้การแยกเช็กไม่ได้เป็นจุดสนใจของฉัน นี่คือจุดเริ่มต้นของหนึ่งในฉันไม่รู้ภาษา Far Eastern อาจบ้างไหม
X1B%0 ~XD0^?~X98^?~XD0^?^?^?~X82^?~XD0^?~XB5^?^?~X80^?^?~X84^?~XD0^?~XB0^?~XD0
^?^?^?~X81^? ~XD0^?~XB1^?^?~X83^?~XD0^?^?~XD0^?~XB2^?~XD0^?~XB0^?~XD0^?^?^?~X8C
^?~XD0^?^?~XD0^?~XBE^? ~XD0^?~XB7^?~XD0^?~XB0^? ~XD0^?^?~XD0^?~XB5^?^?~X81^?~XD
0^?^?~XD0^?~XBE^?~XD0^?^?^?~X8C^?~XD0^?^?~XD0^?~XBE^? ~XD0^?^?~XD0^?~XB8^?~XD0^
?^?^?~X83^?^?~X82^? ~XD0^?~XB4^?~XD0^?~XBE^? ^?~X81^?~
(ใน ^?: s คือตัวอักษร DEL ที่แท้จริง ASCII 0x7F)
พื้นที่ในสถานที่ของตัวหนอนที่จุดเริ่มต้นอาจเป็นคำใบ้ว่าสิ่งที่ผิดพลาดในการแปลง แต่นี่คือการเก็งกำไรป่า
ESC % 0 ดูเหมือนว่ารหัส ISO-2022 เพื่อ "กำหนดระบบการเข้ารหัสอื่น ๆ " แต่สิ่งที่จะทำ 0 ยืนอยู่ตรงนี้? ฉันอาจจะหนาแน่นเกินไปที่จะเข้าใจบทความ Wikipedia โดยไม่มีตัวอย่างเพิ่มเติมและทุกสิ่งที่ฉันสามารถหาได้ดูเหมือนว่าเน้นไปที่เซตย่อยบางอย่างเช่น ISO-2022-JP
การวิเคราะห์ของฉันทำให้คุณสมเหตุสมผลหรือไม่? คุณช่วยฉันคิดดูว่าเกิดอะไรขึ้นและอาจเสนอคำแนะนำเกี่ยวกับวิธีการคืนความเสียหาย
ฉันได้โพสต์ทิ้งเศษหกเหลี่ยมของชิ้นส่วนเพิ่มเติมของตัวอย่างทั้งสองนี้ที่ http://pastebin.com/ffn7CtdG
perl -lne '@s = m/: ((\X\X ?){16})/; $s = join ("", @s); $s =~ s/ //g; print pack("H*", $s)'
