Perl实用中文处理步骤（修改版）

发信人: FenRagwort (泽), 信区: Perl
标  题: Perl实用中文处理步骤（修改版）
发信站: 水木社区 (Mon Feb 14 12:52:14 2011), 转信

（修改版 感谢Invader）

0、你至少得知道编码是怎么回事，utf-8、gbk是什么意思
  你的文本编辑器能显示一个文件是什么编码，
      不然你要处理中文文件，都不知道用什么编码打开
  不过一般就是gbk和utf8两种，实在不行两个都试一遍
  注意也许你看到的不是gbk，而是gb2312，
      这两个使用上实际是一样的，gbk完全包含gb2312

1、让你的脚本文件本身用utf8保存，最好养成写任何脚本都用utf8的习惯

2、脚本开头加上：
  use utf8;
  use open ":encoding(gbk)", ":std";
  意思是脚本里的字符串都用utf8处理，但是标准输入输出用gbk（默认的代码页编码）
  做到这一步，脚本里就可以直接用中文了，字符串、正则表达式都没问题

如果要打开的文件全部是一种编码，如utf8，则可以加上：
  use open ":encoding(utf8)"; #如果文件全是gbk，那么承上编码设置，此行可省略

3.1、打开内有中文的文件前，先要确定它的编码，
       最常见是gbk或utf8，台湾来的可能是big5，utf16le的偶有可能，其他较少见
  这样打开：
  open my $fh, "<:encoding(gbk)", "file.txt" or die; # 读文件
  open my $fh, ">:encoding(utf8)", "file.txt" or die; # 写文件
  # 如果上面设置了默认打开编码为utf8，则具体打开文件时可省掉":encoding(utf8)"
  # 打开别的编码的文件，还需显式指定编码

如果Win32系统下打开utf16le或be文件，需要写成：
  open my $fh, "<:raw:encoding(utf16le):crlf", "file.txt" or die;
      否则会有crlf转换的bug

3.2、也可以先打开文件，立刻再用binmode绑定编码
  open my $fh, "file.txt" or die;
  binmode($fh, ":encoding(gbk)");
  一般情况，直接在open里指定encoding即可，有时需要先接收数据，再binmode

4、如果你的文件名是中文，有点麻烦，得这样：
  use Encode qw/encode/;
  my $file = "2011年工作记录.txt"; # 中英文数字混合文件名也没问题
  $file = encode("gbk", $file); # 文件名是通过标准输出传给命令行的，而命令行
                                # 的编码是gbk，所以要编码成gbk，保持一致
  open my $fh, "<:encoding(gbk)", $file or die;

OK，中文问题搞定了，然后该干嘛干嘛，除了一些以字节为对象的操作（如seek、pack），
你就把“甲乙丙丁”当“ABCD”用吧，冇问题

X、附送小技巧：
  如果你是批量处理文本文件，那甚至可以不管中文文件名问题
  比如要处理ch_files文件夹下的所有txt文件（包含中文文件名），那么
  my @files = glob "ch_files/*.txt";
    # 不过假如你的文件夹是带中文的，那还是得把文件夹参照4转码
  foreach my $file (@files) { # $file若print出来可能有乱码，但是无妨
      open my $fh, "<:encoding(gbk)", $file or die;
      # 假定所有文件都是gbk编码，如果你甲文件是gbk，乙是utf8，
      # 那就有点麻烦，这里简化下问题
      while (<$fh>) {
          print;
      }
  }

【 在 gimp (浪子已回头) 的大作中提到: 】
: 个人写的一些perl学习总结（比较粗浅）
: 我的工作是做搜索引擎方面的,
: 经常需要对索引数据做一定的预处理和后处理
: ...................