关于Perl对中文的处理问题

? ?大家经常使用正则表达式的字符集从字符串中抽取或排除中文字符，但是这样做
很费事，效果也并不是很理想。实际上Perl从5.6开始已经开始在内部使用utf8编码
来表示字符，也就是说对中文以及其他语言字符的处理应该是完全没有问题的。关键
在于目前使用的编辑器以及文件格式并不都能很好地支持utf8，委屈了Perl的强大能力。
实际上我们只需要利用好Encode这个模块便能充分发挥Perl的utf8字符的优势了。


? ? 下面就以中文文本的处理为例进行说明（注意：编辑下面这段程序不能用使用utf8
编码的编辑器），比如有一个字符串"测试文本"，我们想要把这个中文字符串拆成单个
字符，可以这样写：

use Encode;
use Encode::CN; #可写可不写
$dat="测试文本";
$str=decode("gb2312",$dat);
@chars=split //,$str;
foreach $char (@chars) {
        print encode("gb2312",$char),"n";
}

结果大家试一试就知道了，应该是令人满意的。 ? ? 这里主要用到了Encode模块的decode、encode函数。要了解这两个函数的作用我们 需要清楚几个概念： 1、Perl字符串是使用utf8编码的，它由Unicode字符组成而不是单个字节，每个utf8编 码的Unicode字符占1~4个字节（变长）。 2、进入或离开Perl处理环境（比如输出到屏幕、读入和保存文件等等）时不是直接使用 Perl字符串，而需要把Perl字符串转换成字节流，转换过程中使用何种编码方式完全取决 于你（或者由Perl代劳）。一旦Perl字符串向字节流的编码完成，字符的概念就不存在了 ，变成了纯粹的字节组合，如何解释这些组合则是你自己的工作。 ? ? 我们可以看出如果想要Perl按照我们的字符概念来对待文本，文本数据就需要一直用 Perl字符串的形式存放。但是我们平时写出的每个字符一般都被作为纯ASCII字符保存（ 包括在程序中明文写出的字符串），也就是字节流的形式，这里就需要encode和decode函 数的帮助了。 ? ? encode函数顾名思义是用来编码Perl字符串的。它将Perl字符串中的字符用指定的编 码格式编码，最终转化为字节流的形式，因此和Perl处理环境之外的事物打交道经常需要 它。其格式很简单： ? ? ? ? $octets = encode(ENCODING,$string [,CHECK]) 这里$string是Perl字符串，ENCODING是给定的编码方式，$octets则是编码之后的字节流 ，CHECK表示转换时如何处理畸变字符（也就是Perl认不出来的字符）。一般不需要使用 CHECK，让Perl按默认规则处理即可。 ? ? 编码方式视语言环境的不同有很大变化，默认可以识别utf8、ascii、ascii-ctrl、 iso-8859-1等，中文环境（CN）增加了euc-cn（gb2312与之等价）、cp936（gbk与之等价 ）、hz等，还有日文环境（JP）、韩文（KR）等等，在此不一一尽数。 ? ? decode函数则是用来解码字节流的。它按照你给出的编码格式解释给定的字节流，将 其转化为使用utf8编码的Perl字符串，一般来说从终端或者文件取得的文本数据都应该用 decode转换为Perl字符串的形式。它的格式为： ? ? ? ? $string = decode(ENCODING,$octets [,CHECK]) $string、ENCODING、$octets和CHECK的含义同上。 ? ? 现在就很容易理解上面写的那段程序了。因为字符串是用明文写出的，存放的时候已 经是字节流形式，丧失了本来的意义，所以首先就要用decode函数将其转换为Perl字符串 ，由于汉字一般都用gb2312格式编码，这里decode也要使用gb2312编码格式。转换完成后 Perl对待字符的行为就和我们一样了，平时对字符串进行操作的函数基本上都能正确对字 符进行处理，除了那些本来就把字符串当成一堆字节的函数（如vec、pack、unpack等）。 于是split就能把字符串切成单个字符了。最后由于在输出的时候不能直接使用utf8编码 的字符串，还需要将切割后的字符用encode函数编码为gb2312格式的字节流，再用print 输出。 ? ? Encode模块的初步应用大概就是这样，详细情况还是要参阅模块的文档。实际上如果 我们使用UltraEditor等等支持编辑utf8编码文件的编辑器写程序，基本上用不着Encode 模块，在程序开头加上一句use utf8就行。这时Perl默认包括程序本身在内的所有的字符 都是Unicode字符，可以随便使用Unicode范围内的字符，甚至可以用非英文字符作为标识 符，只是输出的时候可能还需要用Encode模块。比如用UE的utf8编码模式编辑这个程序： ? ? ? ? use utf8; ? ? ? ? $单价=10; ? ? ? ? $数量=100; ? ? ? ? $总额=$单价*$数量; ? ? ? ? print "$总额n"; 可以在Perl 5.6以后的版本中正常运行并给出结果，是不是很爽？:) 这种模式最大的优点 就是在字符串中可以混合多种语言的文字，就算中日韩英加上阿拉伯字符都在一个字符串 中出现也没问题；不像使用Encode模块那样必须固定一种编码方式，中日韩英字符同时出 现还好办，因为gbk包含了所有这些字符，可是再加上一些非亚洲语言字符就不一定能处 理了。所以以后用Unicode编码应该是大势所趋。 希望写的这些能对大家有所帮助。