perl 中文處理技巧
2020-06-04 20:27:54
供稿：網(wǎng)友
Perl從5.6開(kāi)始已經(jīng)開(kāi)始在內(nèi)部使用utf8編碼來(lái)表示字符，也就是說(shuō)對(duì)中文以及其他語(yǔ)言字符的處理應(yīng)該是完全沒(méi)有問(wèn)題的。我們只需要利用好Encode這個(gè)模塊便能充分發(fā)揮Perl的utf8字符的優(yōu)勢(shì)了。
下面就以中文文本的處理為例進(jìn)行說(shuō)明，比如有一個(gè)字符串"測(cè)試文本"，我們想要把這個(gè)中文字符串拆成單個(gè)字符，可以這樣寫(xiě)：
use Encode;
$dat="測(cè)試文本";
$str=decode("gb2312",$dat);
@chars=split //,$str;
foreach $char (@chars) {
print encode("gb2312",$char),"/n";
}
結(jié)果大家試一試就知道了，應(yīng)該是令人滿(mǎn)意的。
這里主要用到了Encode模塊的decode、encode函數(shù)。要了解這兩個(gè)函數(shù)的作用我們需要清楚幾個(gè)概念：
1、Perl字符串是使用utf8編碼的，它由Unicode字符組成而不是單個(gè)字節(jié)，每個(gè)utf8編碼的Unicode字符占1~4個(gè)字節(jié)（變長(zhǎng)）。
2、進(jìn)入或離開(kāi)Perl處理環(huán)境（比如輸出到屏幕、讀入和保存文件等等）時(shí)不是直接使用Perl字符串，而需要把Perl字符串轉(zhuǎn)換成字節(jié)流，轉(zhuǎn)換過(guò)程中使用何種編碼方式完全取決于你（或者由Perl代勞）。一旦Perl字符串向字節(jié)流的編碼完成，字符的概念就不存在了，變成了純粹的字節(jié)組合，如何解釋這些組合則是你自己的工作。
我們可以看出如果想要Perl按照我們的字符概念來(lái)對(duì)待文本，文本數(shù)據(jù)就需要一直用Perl字符串的形式存放。但是我們平時(shí)寫(xiě)出的每個(gè)字符一般都被作為純ASCII字符保存（包括在程序中明文寫(xiě)出的字符串），也就是字節(jié)流的形式，這里就需要encode和decode函數(shù)的幫助了。
encode函數(shù)顧名思義是用來(lái)編碼Perl字符串的。它將Perl字符串中的字符用指定的編碼格式編碼，最終轉(zhuǎn)化為字節(jié)流的形式，因此和Perl處理環(huán)境之外的事物打交道經(jīng)常需要它。其格式很簡(jiǎn)單：
$octets = encode(ENCODING, $string [, CHECK])
$string： Perl字符串
encoding： 是給定的編碼方式
$octets: 是編碼之后的字節(jié)流
check: 表示轉(zhuǎn)換時(shí)如何處理畸變字符（也就是Perl認(rèn)不出來(lái)的字符）。一般不需使用
編碼方式視語(yǔ)言環(huán)境的不同有很大變化，默認(rèn)可以識(shí)別utf8、ascii、ascii-ctrl、
iso-8859-1等。
decode函數(shù)則是用來(lái)解碼字節(jié)流的。它按照你給出的編碼格式解釋給定的字節(jié)流，將其轉(zhuǎn)化為使用utf8編碼的Perl字符串，一般來(lái)說(shuō)從終端或者文件取得的文本數(shù)據(jù)都應(yīng)該用decode轉(zhuǎn)換為Perl字符串的形式。它的格式為：
$string = decode(ENCODING, $octets [, CHECK])
$string、ENCODING、$octets和CHECK的含義同上。
現(xiàn)在就很容易理解上面寫(xiě)的那段程序了。因?yàn)樽址怯妹魑膶?xiě)出的，存放的時(shí)候已經(jīng)是字節(jié)流形式，喪失了本來(lái)的意義，所以首先就要用 decode函數(shù)將其轉(zhuǎn)換為Perl字符串，由于漢字一般都用gb2312格式編碼，這里decode也要使用gb2312編碼格式。轉(zhuǎn)換完成后Perl 對(duì)待字符的行為就和我們一樣了，平時(shí)對(duì)字符串進(jìn)行操作的函數(shù)基本上都能正確對(duì)字符進(jìn)行處理，除了那些本來(lái)就把字符串當(dāng)成一堆字節(jié)的函數(shù)（如vec、 pack、unpack等）。于是split就能把字符串切成單個(gè)字符了。最后由于在輸出的時(shí)候不能直接使用utf8編碼的字符串，還需要將切割后的字符用encode函數(shù)編碼為gb2312格式的字節(jié)流，再用print輸出。
