在Linux文件系统中查找非UTF8文件名

Question

我有许多文件隐藏在我的LANG=en_US:UTF-8文件系统中，它们的文件名中包含无法识别的字符。

我需要搜索文件系统并返回所有文件名，其中至少有一个字符不在标准范围内（a-zA-Z0-9和.-_等）。

我一直在尝试以下方法，但没有成功。

find . | egrep [^a-zA-Z0-9_\.\/\-\s]

我正在使用Fedora Code 9。

- AP

---

为什么他们只允许那些字符？其他字符也可以，只要它们被正确编码。 - Joachim Sauer

Answer 1

convmv 可能会对您有所帮助。它不仅可以找到这些文件，还支持将它们重命名为正确的文件名（如果它能猜出哪里出了问题）。

- saua

---

我有1000多个使用Windows 1252编码的文件，其中有很多带有变音符号。 "convmv -r -f cp1252 -t utf8 --notest ." 对我很有用。我不知道还有这样的程序。谢谢！ - sl0815

Answer 2

find . | perl -ne 'print if /[^[:ascii:]]/'

- Fedir RYKHTIK

---

如果某个东西不是ASCII编码，并不意味着它不是UTF编码。 - Emiter

“emil@galeon:/tmp/expermients$ ls” “laka.txt łąka.txt” “emil@galeon:/tmp/expermients$ find . | perl -ane '{ if(m/[[:^ascii:]]/) { print } }' “./łąka.txt”“łąka.txt” 是一个正确的 UTF8 编码名称。 - Emiter

Answer 3

“英译中：

find . | egrep [^a-zA-Z0-9_./-\s]

警告，需要转义！

bash将解释最后一个参数，并删除一个反斜杠转义级别。尝试在“[^group]”表达式周围放置双引号。

当然，这比UTF-8更不允许使用很多字符。可以构建一个匹配有效的UTF-8字符串的正则表达式，但它相当丑陋。如果您有Python 2.x可用，可以利用它：”

import os.path
def walk(dir):
    for child in os.listdir(dir):
        child= os.path.join(dir, child)
        if os.path.isdir(child):
            for descendant in walk(child):
                yield descendant
        yield child

for path in walk('.'):
    try:
        u= unicode(path, 'utf-8')
    except UnicodeError:
        # print path, or attempt to rename file

- bobince

---

在那种情况下，单引号会更好。 - Arafangion

如果这禁止使用UTF-8，那么对于OP的请求来说它完全没有用处，因为他们试图禁止非UTF-8文件名。 - Chris L. Barnes

Answer 4

我曾经遇到过与楼主类似的问题，后来在Superuser上得到了解决方案（另请参见更多评论），我发现这个方案比“convmv方案”更令人满意，尽管我也很感激能够发现convmv。

- asoundmove

---

你应该在答案中始终写下解决方案，而不仅仅是提供链接。我认为你指的是 LANG=C find . -regex '.*[^a-zA-Z./-].*' 这个命令，但我个人认为它并不好，因为它会“检测”任何包含空格、数字、下划线或ASCII符号（如$）的文件名。 - bobpaul

你应该在答案中始终写下解决方案，而不仅仅是提供链接。我认为你指的是 LANG=C find . -regex '.*[^a-zA-Z./-].*'，在我看来并不是很好，因为它会“检测”任何包含空格、数字、下划线或ASCII符号（如$）的文件名。 - undefined