Perl中文编码的处理

• Perl只认识两种编码： Ascii(octets)和utf8(string)

• Perl如何确定哪种编码?

在perl内部, 字符串结构由两部分组成: 数据和utf8 flag.

例如:

utf8 flag    数据

On           中文

如果utf8 flag为On的话, perl就会把“中文”当成utf8字符串来处理, 如果utf8 flag为Off, perl就会把他当成octets来处理.
所有字符串相关的函数包括正则表达式都会受utf8 flag的影响.

use 5.012;
use Encode ;

my $str="中文处理";
Encode::_utf8_on($str);
#utf-8 编码输出是 12
say length($str);
Encode::_utf8_off($str);
#输出是4
say length($str);

utf8 flag开启的情况下, 正则表达式中的\w能够匹配中文, 反之则不能.
如何确定一个字符串的utf8 flag是否已开启?
使用Encode::is_utf8($str). 这个函数并是查看它的utf8 flag是否开启.

use 5.012;
use Encode;

my $str="中文处理";

Encode::_utf8_on($str);
say 'utf8 flag: on' if  Encode::is_utf8($str);

Encode::_utf8_off($str);
say 'utf8 flag: off' unless  Encode::is_utf8($str);

eq是一个字符串比较操作符, 只有当字符串的内容一致并且utf8 flag的状态也是一致的时候, eq才会返回真.

• unicode转码

1.本身不是utf8编码的需要转为utf8编码并打开utf8 flag 标识

  例如：本身是gb2312的代码

use Encode qw(encode decode)
$str = decode(’gb2312‘, $str);

2.本身是utf编码的，未打开utf8  标识的

可以通过三种方式进行打开

$str = decode_utf8($str);
$str =decode("utf8", $str);
Encode::_utf8_on($str);

• perl unicode编程基本原则

对于任何要处理的unicode字符串, 1.把它的编码转换成utf8;  2.开启它的utf8 flag

字符串的几种来源：

1.命令行参数和标准输入

utf8 flag 关闭的

2.源代码中的字符串

utf8 flag 关闭

技巧：最好的解决方式 1. 程序文件使用utf-8方式存储 2.文件开头使用use utf8; 打开on标识

3.从文件读入.你的文件是什么编码, 读进来就是什么编码了. 读进来以后, utf8 flag是off状态.

4.网页是什么编码就是什么编码, utf8 flag是off状态.

 

输出的集中情况：

1.标准输出. 标准输出的编码跟locale一致. 输出的时候utf8 flag应该关闭, 不然就会出警告:

Wide character in print at 。。。。。

小技巧:  binmode(STDOUT, ":encoding(gb2312)"); 中文locale 可以用这种方式集中转码

2.GUI程序.  utf8编码, utf8 flag开启

3.网页post 根据网页的编码。post出去的指示字符串部分。无所谓。