[Moscow.pm] unicode & regexp

Чт Май 22 06:40:38 PDT 2014

Отлично. Картина прояснилась. Узнал немного нового )

22 мая 2014 г., 17:34 пользователь Victor Efimov <victor на vsespb.ru> написал:

> 22 мая 2014 г., 17:24 пользователь Алексей Мышкин <parserpro на gmail.com>
> написал:
> > Нормальный линуксовый терминал.
>
> Я не говорю что он плохой, у меня он так же себя ведёт. Просто это его
> поведение, а не perl.
>
> > Я вот думаю что какой-то из байт может оказаться кодом волшебного символа
> > для регекспа - тогда может произойти что угодно.
>
> Вряд ли, все волшебные символы - ASCII. Все байты из которых состоит
> UTF-8 код не-ASCII символа - не ASCII. Это свойство UTF-8
> называется "совместимо с ASCII", иначе, например, в именах файлов в ФС
> Linux, могли случайно оказаться байты "/" или всякие "*", но такого
> быть не может.
>
> Но может быть обратно - всякие волшебные символы \s \w \d будут
> совпадать с байтами, которые под них не должны подпадать (perl в
> данном случае считает что байты - это текст в latin1).
> Диапазоны и [] в таком виде тоже "не работают". Много чего не работает.
> Работать с UTF-8 данными в режиме не 'use utf8' (т.е. UTF-8 без флага)
> - нельзя. Можно только чтото простое делать типа $s =~ /привет\d+/ при
> этом это будет
> без багов, только если точно знаешь что происходит во всех нюансах, а их
> много.
>
> >
> >
> > 22 мая 2014 г., 17:11 пользователь Victor Efimov <victor на vsespb.ru>
> написал:
> >
> >> 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
> >> >>
> >> --
> >> 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
> >
> --
> Moscow.pm mailing list
> moscow-pm на pm.org | http://moscow.pm.org
>

-- 
С уважением,
Мышкин Алексей.
----------- следущая часть -----------
Вложение в формате HTML было извлечено…
URL: <http://mail.pm.org/pipermail/moscow-pm/attachments/20140522/fe561e48/attachment-0001.html>