博客

Better UnArchiver

为什么 Mac 上 ZIP 文件名会乱码，以及「编码覆盖」实际在做什么

从旧版 Windows 工具发出的 ZIP，在 macOS 上一打开文件夹名就花了。归档实用工具默认按 UTF-8 理解。ZIP 格式历史上并不强制可靠的文件名字符集字段，读取端只能猜。

歧义从哪来

Windows 上不少通用压缩工具会把非 ASCII 文件名写进区域代码页（例如 GBK、Shift-JIS），又没有现代 Mac API 能当成 UTF-8 的标志。一旦用错码表解码，已经错的字符串救不回原始字节——需要重新打开压缩包。

先检测、预览，再解压

Better UnArchiver 把编码放进「先检查」：

  1. 从中央目录头读取原始文件名字节。
  2. 尝试候选编码（含 GBK、Big5、Shift-JIS、EUC-KR）并给出预览。
  3. 自动选择不对时允许手动覆盖。
  4. 再用选定映射解压。
# 示意：按替换字符多少给候选编码打分
from collections import Counter

CANDIDATES = ["utf-8", "gbk", "big5", "shift_jis", "euc_kr"]

def preview(raw: bytes) -> list[tuple[str, str, int]]:
    rows = []
    for enc in CANDIDATES:
        try:
            text = raw.decode(enc)
        except UnicodeDecodeError:
            continue
        bad = text.count("\ufffd") + sum(1 for ch in text if ord(ch) < 32)
        rows.append((enc, text, bad))
    return sorted(rows, key=lambda r: r[2])

正式实现还要处理已声明的 UTF-8 位、AppleDouble 噪声，以及试图路径穿越的条目。这些检查都在写入磁盘之前。

解决不了什么

  • 在错误解码后重新保存过的 ZIP，原始字节可能已丢失。
  • 不创建 RAR，也不修 RAR 恢复记录；当前版本 RAR 仅解压。
  • 编码覆盖不能神奇修复 CRC 失败的内容；挽救会把可读条目写入新归档。

相关链接

返回博客列表