Regexp पर्ल

Question

में विशिष्ट विशेष वर्णों के लिए काम नहीं करता है मैं विशेष वर्ण से छुटकारा नहीं मिल सकता है ¤ और ❤ एक स्ट्रिंग में:

$word = 'cɞi¤r$c❤u¨s'; 
$word =~ s/[^a-zöäåA-ZÖÄÅ]//g; 
printf "$word\n"; 

दूसरी पंक्ति मैं दूर करने की कोशिश पर स्ट्रिंग $word स्ट्रिंग से गैर वर्णमाला वर्ण। मैं शब्द सर्कस मुद्रित पाने के लिए उम्मीद करेंगे, लेकिन इसके बजाय मैं:

ci�rc�us 

OAA और OAA अभिव्यक्ति में स्वीडिश वर्णमाला में बस सामान्य अक्षर हैं जो मैं शामिल करने की जरूरत है।

Answer 1

यदि वर्ण आपके स्रोत कोड में हैं, तो use utf8 पर सुनिश्चित करें। अगर उन्हें एक फाइल से पढ़ा जा रहा है, binmode $FILEHANDLE, ':utf8'।

perldoc perlunicode पढ़ने के लिए सुनिश्चित रहें।

Answer 2

pointed out by choroba के रूप में, पर्ल स्क्रिप्ट की शुरुआत में इस जोड़ने यह हल करती है:

use utf8; 
binmode(STDOUT, ":utf8"); 

जहां use utf8 आप नियमित अभिव्यक्ति में सही ढंग से विशेष वर्ण का उपयोग करने देता और binmode(STDOUT, ":utf8") पर सही ढंग से आप की सुविधा देता है उत्पादन विशेष वर्ण खोल।

Answer 3

संक्षिप्त उत्तर: उपयोग utf8 जोड़ें; यह सुनिश्चित करने के लिए कि स्रोत कोड में आपकी शाब्दिक स्ट्रिंग को utf8 के रूप में समझाया गया है, जिसमें परीक्षण स्ट्रिंग की सामग्री और regexp की सामग्री शामिल है।

लांग जवाब:

#!/usr/bin/env perl 

use warnings; 
use Encode; 

my $word = 'cɞi¤r$c❤u¨s'; 

foreach my $char (split //, $word) { 
    print ord($char) . Encode::encode_utf8(":$char "); 
} 

my $allowed_chars = 'a-zöäåA-ZÖÄÅ'; 

print "\n"; 

foreach my $char (split //, $allowed_chars) { 
    print ord($char) . Encode::encode_utf8(":$char "); 
} 

print "\n"; 

$word =~ s/[^$allowed_chars]//g; 

printf Encode::encode_utf8("$word\n"); 

UTF8 के बिना इसे निष्पादित:

$ perl utf8_regexp.pl 
99:c 201:É 158: 105:i 194:Â 164:¤ 114:r 36:$ 99:c 226:â 157: 164:¤ 117:u 194:Â 168:¨ 115:s 
97:a 45:- 122:z 195:Ã 182:¶ 195:Ã 164:¤ 195:Ã 165:¥ 65:A 45:- 90:Z 195:Ã 150: 195:Ã 132: 195:Ã 133: 
ci¤rc¤us 

UTF8 के साथ निष्पादित:

$ perl -Mutf8 utf8_regexp.pl 
99:c 606:ɞ 105:i 164:¤ 114:r 36:$ 99:c 10084:❤ 117:u 168:¨ 115:s 
97:a 45:- 122:z 246:ö 228:ä 229:å 65:A 45:- 90:Z 214:Ö 196:Ä 197:Å 
circus 

स्पष्टीकरण:

गैर- ASCII वर्ण कि तुम एक अपने स्रोत कोड में फिर से टाइप करना अधिक बाइट से एक द्वारा दर्शाया जाता है। चूंकि आपका इनपुट utf8 एन्कोड किया गया है। एक शुद्ध एसीआई या लैटिन -1 टर्मिनल में वर्ण एक बाइट होता।

utf8 मॉड्यूल का उपयोग नहीं करते समय, पर्ल सोचता है कि प्रत्येक बाइट जो आप इनपुट कर रहे हैं वह एक अलग चरित्र है, जैसे आप प्रत्येक और प्रत्येक चरित्र को विभाजित और प्रिंट करते समय देख सकते हैं। Utf8 मॉड्यूल का उपयोग करते समय, यह कई बाइट्स के संयोजन को एक वर्ण के रूप में सही ढंग से utf8 एन्कोडिंग के नियमों के अनुसार व्यवहार करता है।

आप coinscidence से देख सकते हैं, बाइट्स कि स्वीडिश पात्रों बाइट्स कि अपने परीक्षण स्ट्रिंग में वर्णों की कुछ के बने होते हैं में से कुछ के साथ मैच के बने होते हैं, और वे रखा जाता हैं। अर्थात्: यूओएफ 8 में यूएफ 8 में शामिल हैं: Ã 164: ¤ - 164 आपके द्वारा अनुमत वर्णों में से एक के रूप में समाप्त होता है और यह गुजरता है।

समाधान यह है कि आपके तारों को utf-8 के रूप में माना जाना चाहिए।

encode_utf8 कॉल जगह विस्तृत वर्णों के बारे में चेतावनी से बचने के लिए कर रहे हैं टर्मिनल के लिए मुद्रित किया जा रहा। हमेशा की तरह आप एनकोड उत्पादन वर्ण एन्कोडिंग के अनुसार कि इनपुट या आउटपुट संभाल/में कार्य करते हैं।

आशा इस यह स्पष्ट कर दिया जाता है इनपुट को डिकोड करने की जरूरत है, और।