[Moscow.pm] кодировка в Perl почему все это так странно работает?
Илья Винокуров
ilvin на mail.ru
Вт Сен 23 03:05:09 PDT 2014
Здравствуйте, Виктор!
Убедил. (Прошу разрешения называть вас на "ты") Теперь я буду говорить так:
Строки в Perl существуют во внутреннем формате, который называется utf8.
Все данные в Perl поступают в бинарном виде, т.е. Perl их интерпретирует
как набор байтов.
Чтобы Perl понял, что бинарные данные являются строкой, эти данные нужно
декодировать с помощью Encode::decode('UTF-8', $bin).
Чтобы вывести строки из Perl, их нужно закодировать в бинарный вид так:
Encode::encode('UTF-8', $str)
Теперь у меня все в порядке с терминологией?
С почтением,
Илья Винокуров.
Tue, 23 Sep 2014 13:19:49 +0400 от Victor Efimov <victor на vsespb.ru>:
>23 сентября 2014 г., 12:48 пользователь Илья Винокуров < ilvin на mail.ru > написал:
>> Здравствуйте, Виктор.
>>
>> Терминология действительно сильно упрощенная, так как
>> внутреннее представление строки Perl проще назвать еще одной кодировкой,
>> с которой нужно работать, чем копаться в кишках.
>
>Не согласен. Термин "кодировка" к этому нельзя применять. Когда речь
>идёт о кодировке - речь идёт о бинарных данных (байтах).
>Символы же это не байлы - это элементы, код у которых может быть
>больше 255. Так же в Perl чётко идеологически разграничены операции
>над текстом и над бинарными данными.
>А именно есть операции которые думают что их операнды текст (регэкспы,
>вывод в файл у которго стоит binmode encoding), есть операции которые
>думают что их операнды - байты (вывод в файл где нет binmode encoding,
>функции типа pack). Это всё нельзя уложить в концепцию кодировок.
>
>символы vs байты определены здесь
>http://search.cpan.org/~shay/perl-5.20.1/pod/perlunitut.pod#Text_strings_%28character_strings%29
>
>>
>> Вот попробуй человеку объяснить зачем нужно для строки в UTF-8 кодировке
>> делать Encode::decode('UTF-8', $string). А когда говоришь, что у Perl своя
>> кодировка,
>> так сразу человек начинает правильно перекодировать строки... А без этой
>> абстракции человек лезет флаги строкам устанавливать...
>
>Может новичку это поможет на ранней стадии только потом помешает.
>Если бы концепция про кодировки была верная, можно было бы
>конвертировать между кодировками с помощью Encode::from_to,
>и вообще не понятно API когда делаются две функции
>Encode::decode/encode чтобы конвертировать из/в кодировку.
>
>>
>> И такой ход мыслей у многих людей, так что здесь
>> http://search.cpan.org/~shay/perl-5.20.1/pod/perlunifaq.pod#What%27s_the_difference_between_UTF-8_and_utf8 ?
>> Плюнули и согласились:
>> Okay, if you insist: the "internal format" is utf8, not UTF-8.
>
>
>Не согласен с интерпретацией этого куска документации.
>На самом деле речь там идёт про что:
>
>1) Есть кодировка "UTF-8" и "utf8". Когда декодируют первую, принимают
>во внимание то что не все Unicode символы существуют в прикоде. Когда
>декодируют вторую, это игнорируется,
>т.е. вторая используется как "кодек" похожий на UTF-8 для произвольных
>(бинарных !) данных а не текста.
>
>2) Внутрненний формат строки в perl, когда у ней установлен UTF-8
>флаг, является не строгим вариантом UTF-8, т.е. в ней могут
>содержаться вообще не символы, просто набор чисел закодированных в
>кодек UTF8, не являющийся валидным UTF-8 но с точки зрения перл
>полностью валидным.
>
>например perl -e 'print v100.2000.3000'
>
>v100.2000.3000 - это строка из трёх элементов: 100, 2000 и 3000.
>закодированна этим кодеком. без оглядки на то есть ли в стандарте
>unicode эти символы. так можно закодировать произвольные числа. т.е.
>UTF8
>как бы используется perl не по назначению.
>
>именно поэтому написан этот параграф.
>
>
>
>>
>> С почтением,
>> Илья Винокуров.
>>
>>
>> Mon, 22 Sep 2014 12:58:13 +0400 от Victor Efimov < victor на vsespb.ru >:
>>
>> 22 сентября 2014 г., 12:51 пользователь Илья Винокуров < ilvin на mail.ru >
>> написал:
>>> Здравствуйте, Николай.
>>>
>>> Внутри Perl строки хранятся в кодировке, совместимой с UTF-8. Эта
>>> кодировка
>>> называется utf8.
>>> Когда строки вводятся в Perl, их нужно декодировать из различных кодировок
>>> в
>>> utf8.
>>> В том числе нужно декодировать UTF-8 в utf8.
>>> Если строку нужно вывести из Perl, то эту строку нужно кодировать в
>>> различные кодировки.
>>> В том числе нужно кодировать utf8 в UTF-8
>>>
>>
>> только тут введена какя-то странная терминология, которой на самом деле нет.
>>
>> В perl строки не храянятся как набор абстрактных символов. Рассуждения
>> про их кодировку лучше присекать на корню.
>> Отличия между utf8 и UTF-8 - вовсе не в этом, а в том что utf-8 более
>> строкая валидация чем utf8.
>>
>> Но в остальном, если в тексте выше заменить "utf8" на "символьная
>> строка", то будет ок.
>>
>>> Этим занимаются функции Encode::encode('UTF-8', $string) и
>>> Encode::decode('UTF-8', $string).
>>>
>>> Text::Iconv - не используйте это, если точно не знаете почему вам нужен
>>> именно этот модуль.
>>>
>>> Концепцию работы с кодировками в Perl я рассказал,
>>> а вот свой скрипт поправить потрудитесь сами пожалуйста...
>>>
>>> PS: Чтобы не возиться в явном виде с перекодированием строк, в перл
>>> используют
>>>
>>> binmode STDIN, ":encoding(console_in)" if -t STDIN;
>>> binmode STDOUT, ":encoding(console_out)" if -t STDOUT;
>>> binmode STDERR, ":encoding(console_out)" if -t STDERR;
>>>
>>> После этого в STDIN/STDOUT можно читать/писать строки в кодировке utf8 без
>>> перекодирования...
>>>
>>> С почтением,
>>> Илья Винокуров.
>>>
>>> Mon, 22 Sep 2014 01:28:15 +0400 от Nikolay Mishin < mi на ya.ru >:
>>>
>>> Привет, MoscowPM,
>>> тут родился вопрос под win7 (юникс могут быть теже странности, не
>>> проверял)
>>>
>>> #!/usr/bin/env perl
>>> use utf8;
>>> use Modern::Perl;
>>> use Encode::Locale;
>>> use Encode qw( decode encode from_to);
>>> use Text::Iconv;
>>> use Encode::Detect::Detector;
>>> use Data::Dumper qw( Dumper );
>>>
>>>
>>> if (-t)
>>> {
>>> binmode(STDIN, ":encoding(console_in)");
>>> binmode(STDOUT, ":encoding(console_out)");
>>> binmode(STDERR, ":encoding(console_out)");
>>> }
>>>
>>> my $lang = shift or die "Usage: $0 What_is_your_language?\n";
>>> my_dump('lang_01',$lang);
>>> my $converter = Text::Iconv->new( "cp1251", "utf-8");
>>> $lang = $converter->convert($lang);
>>> my_dump('lang_02',$lang);
>>> $lang = Encode::decode("utf8",$lang);
>>> my_dump('lang_03',$lang);
>>> my_dump('lang_04_перл',qq{перл});
>>>
>>> $lang =~ /(perl|перл) (?{print "use Perl or die!!\nИспользуй Перл или
>>> умри!!";}) /ix;#русский не мачится, почему?
>>>
>>> sub my_dump
>>> {
>>> my ($name,$var)=@_;
>>> local $Data::Dumper::Useqq = 1;
>>> local $Data::Dumper::Indent = 0;
>>> local $Data::Dumper::Terse = 1;
>>> print(Encode::Detect::Detector::detect(qq{$lang})." ".qq{\$$name }."
>>> dump=".Dumper($var)."\n");
>>> }
>>>
>>> этот же код на гитхабе
>>>
>>> https://github.com/mishin/presentation/blob/master/100_regex_4_moscow_pm.pl
>>>
>>> моя задача была, чтобы скрипт
>>> perl 100_regex_4_moscow_pm.pl перл
>>> читая из консоли слово "перл" находил его в регексе внутри скрипта
>>>
>>> вопросы:
>>> 1) почему, если в консоле
>>> perl -MEncode::Detect::Detector -E "say
>>> Encode::Detect::Detector::detect(qq{перл})"
>>> у меня кодировка ISO-8859-7
>>> my $converter = Text::Iconv->new( "cp1251", "utf-8");
>>> Text::Iconv ее проглатывает как cp1251 (причем ISO там не проходит) ?
>>>
>>> 2)что происходит со строкой здесь
>>> UTF-8 $lang_02 dump="\320\277\320\265\321\200\320\273"
>>> $lang = Encode::decode("utf8",$lang);
>>> UTF-8 $lang_03 dump="\x{43f}\x{435}\x{440}\x{43b}"
>>> --что такое делает decode?
>>> я так понимаю - он починивает utf8, но что конкретно
>>>
>>> спасибо, хорошей недели!!
>>>
>>>
>>> --
>>> С уважением
>>> Николай Мишин
>>>
>>> --
>>> Moscow.pm mailing list
>>> moscow-pm на pm.org | http://moscow.pm.org
>>>
>>>
>>>
>>> --
>>> Moscow.pm mailing list
>>> moscow-pm на pm.org | http://moscow.pm.org
>>>
>> --
>> Moscow.pm mailing list
>> moscow-pm на pm.org | http://moscow.pm.org
>>
>>
>>
>> --
>> Moscow.pm mailing list
>> moscow-pm на pm.org | http://moscow.pm.org
>>
>--
>Moscow.pm mailing list
>moscow-pm на pm.org | http://moscow.pm.org
>
----------- следущая часть -----------
Вложение в формате HTML было извлечено…
URL: <http://mail.pm.org/pipermail/moscow-pm/attachments/20140923/51581c2e/attachment-0001.html>
Подробная информация о списке рассылки Moscow-pm