在 Perl看来,字符串只有两种形式. 一种是octets,即8位序列,也就是我们通常说的字节数组. 另一种utf8编码的字符串,perl管它叫string. 也就是说: Perl只熟悉两种编码: Ascii(octets)和utf8(string).
utf8 flag
在perl内部,字符串结构由两部分组成: 数据和utf8 flag. 比如字符串"中国"在perl内部的存储是这样:
utf8 flag 数据
On 中国
假如utf8 flag是On的话,perl就会把中国当成utf8字符串来处理,假如utf8 flag为Off,perl就会把他当成octets来处理. 所有字符串相关的函数包括正则表达式都会受utf8 flag的影响. 让我们来看个例子:
程序代码:
use Encode;
use strict;
my $str = "中国";
Encode::_utf8_on($str);
print length($str) . "n";
Encode::_utf8_off($str);
运行结果是:
2
6
这里我们使用Encode模块的_utf8_on函数和_utf8_off函数来开关字符串"中国"的utf8 flag. 可以看到,utf8 flag打开的时候,"中国"被当成utf8字符串处理,所以其长度是2. utf8 flag关闭的时候,"中国"被当成octets(字节数组)处理,出来的长度是6(我的编辑器用的是utf8编码,假如你的编辑器用的是gb2312编码,那么长度应该是4).
再来看看正则表达式的例子:
my $a = "china----中国";
my $b = "china----中国";
Encode::_utf8_on($a);
Encode::_utf8_off($b);
$a =~ s/W //g;
$b =~ s/W //g;
print $a,"n";
print $b,Arial;font-size:16px;">运行结果:
Wide character in print at unicode.pl line 10.
china中国
china
结果第一行是一条警告,这个我们稍后再讨论. 结果的第二行说明,utf8 flag开启的情况下,正则表达式中的w能够匹配中文,反之则不能.
如何确定一个字符串的utf8 flag是否已开启? 使用Encode::is_utf8($str). 这个函数并不是用来检测一个字符串是不是utf8编码,而是仅仅看看它的utf8 flag是否开启.
eq是一个字符串比较操作符,只有当字符串的内容一致并且utf8 flag的状态也是一致的时候,eq才会返回真.
unicode转码
假如你有一个字符串"中国",它是gb2312编码的. 假如它的utf8 flag是关闭的,它就会被当成octets来处理,length()会返回4,这通常不是你想要的. 而假如你开启它的utf8 flag,则它会被当做utf8编码的字符串来处理. 由于它本来的编码是gb2312的,不是utf8的,这就可能导致错误发生. 由于gb2312和utf8内码范围部分重叠,所以很多时候,不会有错误报出来,但是perl可能已经错误地拆解了字符. 严重的时候,perl会报警,说某个字节不是合法的utf8内码.
解决的方法很显然,假如你的字符串本来不是utf8编码的,应该先把它转成utf8编码,并且使它的utf8 flag处于开启状态. 对于一个gb2312编码的字符串,你可以使用
$str = Encode::decode("gb2312",$str);
来将其转化为utf8编码并开启utf8 flag. 假如你的字符串编码本来就是utf8,只是utf8 flag没有打开,那么你可以使用以下三种方式中的任一种来开启utf8 flag:
$str = Encode::decode_utf8($str);
$str = Encode::decode("utf8",Arial;font-size:16px;">最后一种方式效率最高,但是官方不推荐. 以下划线开头的函数是内部函数,出于礼貌,一般不从外部调用.
字符串连接
. 是字符串连接操作符. 连接两个字符串时,假如两个字符串的utf8 flag都是Off,那么结果字符串也是Off. 假如其中任何一个字符串的utf8 flag是On的话,那么结果字符串的utf8 flag将是On. 连接字符串并不会改变它们原来的编码,所以假如你把两个不同编码的字符串连在一起,那么以后不管对这个字符串怎么转码,都总会有一段是乱码. 这种情况一定要避免,连接两个字符串之前应该确保它们编码一致. 如有必要,先进行转码,再连接字符串.
perl unicode编程基本原则
对于任何要处理的unicode字符串,1)把它的编码转换成utf8; 2)开启它的utf8 flag
字符串来源
为了应用上面说到的基本原则,我们首先要知道字符串本来的编码和utf8 flag开关情况,这里我们讨论几种情况.
1) 命令行参数和标准输入. 从命令行参数或标准输入(STDIN)来的字符串,它的编码跟locale有关. 假如你的locale是zh_CN或zh_CN.gb2312,那么进来的字符串就是gb2312编码,假如你的locale是zh_CN.gbk,那么进来的编码就是gbk,假如你的编码是zh_CN.UTF8,那进来的编码就是utf8. 不管是什么编码,进来的字符串的utf8 flag都是关闭的状态.
2) 你的源代码里的字符串. 这要看你编写源代码时用的是什么编码. 在editplus里,你可以通过"文件"->"另存为"查看和更改编码. 在linux下,你可以cat一个源代码文件,假如中文正常显示,说明源代码的编码跟locale是一致的. 源代码里的字符串的utf8 flag同样是关闭的状态.
假如你的源代码里含有中文,那么你最好遵循这个原则: 1) 编写代码时使用utf8编码,2)在文件的开头加上use utf8;语句. 这样,你源代码里的字符串就都会是utf8编码的,并且utf8 flag也已经打开.
3) 从文件读入. 这个毫无疑问,你的文件是什么编码,读进来就是什么编码了. 读进来以后,utf8 flag是off状态.
4) 抓取网页. 网页是什么编码就是什么编码,utf8 flag是off状态. 网站的编码可以从响应头里或者html的http://www.sina.com.cn";
eval {my $str2 = $str; Encode::decode("gbk",$str2,1)};
print "not gbk:?$@n" if $@;
eval {my $str2 = $str; Encode::decode("utf8",Arial;font-size:16px;">print "not utf8:?eval {my $str2 = $str; Encode::decode("big5",Arial;font-size:16px;">print "not big5:?输出:
not utf8: utf8 "xD0" does not map to Unicode at /usr/local/lib/perl/5.8.8/Encode.pm line 162.
not big5: big5-eten "xC8" does not map to Unicode at /usr/local/lib/perl/5.8.8/Encode.pm line 162.
我们给decode函数传递了第三个参数,要求有异常字符的时候报错. 我们用eval捕捉错误,转码失败说明字符串本来不是这种编码. 另外注重我们每次都把$str拷贝到$str2,这是因为decode第三个参数为1时,decode以后,传给它的字符串参数(第二个参数会被清空). 我们拷贝一下,这样每次被清空的都是$str2,$str不变.
来看结果,既然不是utf8,也不是big5,那就应该是gbk了. 对于其他不知编码的字符串,也可以使用这种方法来猜. 不过因为几种编码的内码范围都差不多,所以假如字符串比较短,就可能出不了异常字符,所以这个方法只适用于大段的文字.
输出字符串
在程序内被正确地处理后,要展现给用户. 这时我们需要把字符串从perl internal form转化成用户能接受的形式. 简单地说,就是把字符串从utf8编码转换成输出的编码或表现界面的编码. 这时候,我们使用$str = Encode::encode(charset,$str);. 同样可以分为几种情况.
1) 标准输出. 标准输出的编码跟locale一致. 输出的时候utf8 flag应该关闭,不然就会出现我们前面看到的那行警告:
2) GUI程序. 这个应该是不用干什么,utf8编码,utf8 flag开启就行. 没有实际测试过.
3) 做http post. 看网页表单要求什么编码. utf8 flag开或关无所谓,因为http post发送出去的只是字符串中的数据部分,不管utf8 flag.
PerlIO
PerlIO为我们的输入/输出转码提供了便利. 它可以针对某个文件句柄,输入的时候自动帮你转码并开启utf8 flag,输出的时候,自动帮你转码并关闭utf8 flag. 假设你的终端locale是gb2312,看下面的例子:
binmode(STDIN,":encoding(gb2312)");
binmode(STDOUT,Arial;font-size:16px;">while (<>) {
chomp;
print $_,length,Arial;font-size:16px;">}
运行后输入"中国",结果:
中国2
这样我们就省去了输入和输出时转码的麻烦. PerlIO可以作用于任何文件句柄,具体请参考perldoc PerlIO.
相关API
都是Encode模块的:
$octets = encode(ENCODING,$string [,CHECK]) 把字符串从utf8编码转成指定的编码,并关闭utf8 flag.
$string = decode(ENCODING,$octets [,CHECK]) 把字符串从其他编码转成utf8编码,并开启utf8 flag,不过有个例外就是,假如字符串是仅仅ascii编码或EBCDIC编码的话,不开启utf8 flag.
is_utf8(STRING [,CHECK]) 看看utf8 flag是否开启. 假如第二个参数为真,则同时检查编码是否符合utf8. 这个检测不一定准确,跟decode方式检测效果一样.
_utf8_on(STRING) 打开字符串的utf flag
_utf8_off(STRING) 关闭字符串的utf flag
最后两个是内部函数,不推荐使用.
参考perldoc Encode.
utf8和utf-8
前面我们提到的一直都是utf8. 在perl中,utf8和utf-8是不一样的. utf-8是指国际上标准的utf-8定义,而utf8是perl在国际标准上做了一些扩展,能兼容的内码要比国际标准的多一些. perl internal form使用的是utf8. 另外顺便提一下,字符集的名称是不区分大小写的并且"_"和"-"是等价的.
EBCDIC是一套遗留的宽字符解决方案,不同于unicode,它不是Ascii的超集. 上面介绍的方案并不完全适用于EBCDIC. 关于EBCDIC,请参考perldoc perlebcdic.
