[Moscow.pm] unicode & regexp

[Иван Бессарабов]

Маленькое дополение про \d в регулярке и unicode.

Есть модификатор /a который стоит использовать если строки в unicode.

Вот напирмер, все эти символы ۵߅५৫੫૫୫௫౫೫൫๕໕ — это цифры, без
модификатора /a Perl матчит их как цифры (что далеко не всегда то что
нужно), а с модификатором поведение такое как ожидаешь =)

    $ perl -Mutf8 -E 'say "۵߅५৫੫૫୫௫౫೫൫๕໕" =~ /^\d+$/ ? "yes" : "no"'
    yes
    $ perl -Mutf8 -E 'say "۵߅५৫੫૫୫௫౫೫൫๕໕" =~ /^\d+$/a ? "yes" : "no"'
    no

2014-05-22 17:34 GMT+04:00 Victor Efimov <victor на vsespb.ru>:
> 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