Node.js RTF解析模块中CJK字符与RTF转义码互转方案咨询

我之前做过类似的RTF解析工具，你的问题核心其实是没摸透RTF里\'hh转义序列的规则——它不是直接对应UTF-8字节，而是和当前激活的字体（就是你看到的\f1、\f0）绑定的字符集挂钩的。下面给你具体的解决思路和Node.js实现：

先理清楚核心逻辑 #

RTF里的\'hh表示当前字符集下的一个8位字节，而CJK字符大多是双字节（比如GBK、Big5），所以你看到的\'e2\'8f其实是两个连续的单字节，组合起来才是“鈴”在对应字符集里的完整编码。要完成转换，你需要三步：

• 先搞清楚\f1对应的字符集是什么（从RTF的字体定义表fonttbl里找）
• 把连续的\'hh字节序列按这个字符集解码成Unicode字符
• 反过来的话，把Unicode字符按目标字符集编码成字节，再转成\'hh格式

Node.js里的简便实现（用成熟库） #

不用自己造轮子，iconv-lite这个轻量库就能搞定几乎所有字符集的转码，比内置功能好用太多。

1. 解码：把\'e2\'8f转成“鈴” #

首先你得确认\f1对应的字符集，比如RTF头部的字体表可能长这样：

{\rtf1\ansi\deff0{\fonttbl{\f0\fnil\fcharset0 Arial;}{\f1\fnil\fcharset136 PMingLiU;}}}

这里的\fcharset136就代表\f1用的是Big5字符集（136是Big5的官方字符集代码）。假设是Big5，代码如下：

const iconv = require('iconv-lite');

// 从RTF里提取的字节序列：e2 8f
const rtfBytes = Buffer.from(['e2', '8f'], 'hex');
// 按Big5解码成Unicode字符
const cjkChar = iconv.decode(rtfBytes, 'big5');
console.log(cjkChar); // 输出：鈴

如果是GBK的话，把'big5'换成'gbk'就行，其他字符集同理。

2. 编码：把“鈴”转成\'e2\'8f #

还是以Big5为例，反向转换的代码：

const iconv = require('iconv-lite');

const targetChar = '鈴';
// 按Big5编码成字节
const charBytes = iconv.encode(targetChar, 'big5');
// 转成RTF要求的\'hh格式
const rtfEscapeStr = charBytes.reduce((result, byte) => {
  return result + `\\'${byte.toString(16).padStart(2, '0')}`;
}, '');
console.log(rtfEscapeStr); // 输出：\'e2\'8f

3. 怎么快速确定字体对应的字符集？ #

RTF的字体表fonttbl里的\fcharsetN就是关键，N是微软定义的字符集代码，常见的CJK相关代码对应：

• GBK/GB2312：134
• Big5：136
• Shift-JIS（日文）：129
• UTF-16：128

你在解析RTF的时候，先把fonttbl里每个\fN对应的\fcharset值存下来，转成对应的字符集名称（比如136 → 'big5'），后续处理转义序列的时候直接用就行。

踩过的坑提醒你 #

• 别直接把\'hh当成UTF-8字节！我一开始也犯过这个错，结果转出来全是乱码，因为RTF的转义是跟着当前字体走的
• 如果RTF里没明确写\fcharset，默认是Windows-1252（ANSI），但CJK字符肯定不会用这个，所以一定要找fonttbl的定义
• 有些RTF会用\uN来表示Unicode字符（比如\u37329就是“鈴”），这种直接用String.fromCodePoint(37329)就能转，但你遇到的是多字节转义，还是得靠字符集转换

内容的提问来源于stack exchange，提问作者DjH