[Moscow.pm] unicode & regexp

[Victor Efimov]

например:

без use utf8, строка '№«».,' видится perl как отдельные байты.
никакого отношения к символам, которые ты написал, не имеющие.
какой-то символ может состоять из 2х и более байтов.
они считаются отдельными. строка получается
"\342\204\226\302\253\302\273.," (oct)
quotemeta над этой строкой просто эскейпит ascii точки.

$str при этом "... \302\253\302\273\302\253\302\273" (в нём вместо 4х
кавычек 8 "символов")

результирующая строка

". \302"

что логично. точка 1 раз. пробел 1 раз. и символ \302 1 раз, т.к. все
не-ascii символы из исходной $str входят
в [] в регэкспе.

далее выводим эту строку не на экран а в файл (сделав редирект ">")

смотрим, получились байты 0x2E (точка) 0x20 (пробел) 0xC2 (это как раз \302 oct)

выводим на экран этот файл: cat file
если последний символ обрезался (точно так же как если изначально
запустить скрипт)- это проблемы твоего терминала.
он ждёт UTF8 , а тут какие-то левые байты, не являющиеся валидным UTF8
если к этой строке добавить ещё пару символов, будет нормально
выводиться (вернее будет выводиться ромбик - "неизвестный символ").


22 мая 2014 г., 16:48 пользователь Victor Efimov <victor на vsespb.ru> написал:
> Я думаю смогу объяснить подробно что и почему, про все нюансы. Но я же
> говорю - не понятно что должно происходить. Выводит в обоих случаях
> что-то непонятное.
>
> 22 мая 2014 г., 16:41 пользователь Алексей Мышкин <parserpro на gmail.com> написал:
>> Это не объяснение. Символ-то почему режется?
>> Ладно бы на "широкий символ" ругнулось - это понятно. Но почему строка
>> выводится не целиком - вот вопрос.
>>
>>
>> 22 мая 2014 г., 16:26 пользователь devrow на gmail.com <devrow на gmail.com>
>> написал:
>>
>>>
>>> http://stackoverflow.com/questions/6162484/why-does-modern-perl-avoid-utf-8-by-default/6163129#6163129
>>>
>>>
>>> On 22.05.2014 15:24, Алексей Мышкин wrote:
>>>>
>>>> А объяснить?
>>>>
>>>>
>>>> 22 мая 2014 г., 15:16 пользователь Antonio Nikishaev <a на lelf.me
>>>> <mailto:a на lelf.me>> написал:
>>>>
>>>>
>>>>
>>>>     On 22 May 2014, at 14:58, Алексей Мышкин <parserpro на gmail.com
>>>>     <mailto:parserpro на gmail.com>> wrote:
>>>>
>>>>      > Всем доброго дня.
>>>>      > Есть такой код:
>>>>      > #!/usr/bin/env perl
>>>>      > use strict;
>>>>      > #use utf8;
>>>>      >
>>>>      > my $BadChars = quotemeta '№«».,';
>>>>      >
>>>>      > my $BadCharsRX = qr/$BadChars/u;
>>>>      >
>>>>      > my $str = '... «»«»';
>>>>      >
>>>>      > $str =~ s/([$BadCharsRX])[$BadCharsRX]+/$1/g;
>>>>      >
>>>>      > print "$str\n";
>>>>      > =====cut=====
>>>>      >
>>>>      > выдаёт ахинею
>>>>      > если сделать так:
>>>>      >
>>>>      > my $str = '... №№№ «»«»';
>>>>      > то начинает работать.
>>>>      >
>>>>      > Что за чёрт?
>>>>      >
>>>>      > Perl v5.14.2
>>>>
>>>>     Писать надо нормально. Всё будет работать
>>>>
>>>>     use utf8;
>>>>     use open qw<:std :utf8>;
>>>
>>> --
>>> Moscow.pm mailing list
>>> moscow-pm на pm.org | http://moscow.pm.org
>>
>>
>>
>>
>> --
>> С уважением,
>> Мышкин Алексей.
>>
>> --
>> Moscow.pm mailing list
>> moscow-pm на pm.org | http://moscow.pm.org
>>