有些编码, 在两个函数中都为真的情况.<div>比如:<br><br>|> sub is_utf8 {<br>|> my $r = shift;<br>|> return 1 if ($$r<br>|> =~/[\x01-\x7f]|[\xc0-\xdf][\x80-\xbf]|[\xe0-\xef][\x80-\xbf]{2}|<span class="Apple-style-span" style="background-color: rgb(204, 0, 0);">[\xf0-\xff][\x80-\xbf]{3}</span>/);<br>
如果这儿,有个字的编码是[\xf0-\xff][\x80-\xbf]{3},更具体,比如是\xf0\xb1\xb1\xb1,上面红色部分匹配这个编码.那下面的gbk判断函数中的与此同时也匹配这个编码.<br>|> return 0;<br>|> }<br><br>|> sub is_gbk {<br>|> my $r = shift;<br>|> return 1 if ($$r=~/[\xb0-\xf7][\xa0-\xfe]/);<br>
\xf0<span class="Apple-style-span" style="background-color: rgb(204, 0, 0);">\xb1\xb1</span>\xb1,上行的正则也匹配这个编码中的部分.<br>|> return 0;<br>|> }<br><br><div>那,最后\xf0\xb1\xb1\xb1这个编码是gbk还是utf8?这就不准确了.<br><br>2008/11/27 silent <<a href="mailto:silent2600@gmail.com">silent2600@gmail.com</a>><br>
><br>> 了解, 可是我的那两个函数为什么不对呢?<br>><br>> agentzh 写道:<br>> ><br>> > 我们一般使用 CPAN 上的 Encode::Guess 模块。对于长文本非常有效的,但是对于非常短的,比如两三个字的文本就不怎么准了,呵呵。<br>> ><br>> > use Encode::Guess;<br>> > my @enc = qw( UTF-8 GB2312 Big5 GBK Latin1 );<br>
> > for my $enc (@enc) {<br>> > my $decoder = guess_encoding($data, $enc);<br>> > if (ref $decoder) {<br>> > $charset = $decoder->name;<br>> > last;<br>
> > }<br>> > }<br>> > if (!$charset) {<br>> > die "Can't determine the charset of the input.\n";<br>> > }<br>> ><br>> > 这里 @enc 中是尝试的 charset 数量。其实感觉用 Encode 的 decode<br>
> > 函数也可以直接整,只不过设一个参数让它遇到错误字节时直接抛异常即可 ;)<br>> ><br>> > -agentzh<br>> ><br>><br>> _______________________________________________<br>> China-pm mailing list<br>> <a href="mailto:China-pm@pm.org">China-pm@pm.org</a><br>
> <a href="http://mail.pm.org/mailman/listinfo/china-pm">http://mail.pm.org/mailman/listinfo/china-pm</a><br><br><br>--<br>Best regards.<br>Felix New<br></div></div>