perl 中文處理技巧

Perl從5.6開始已經開始在內部使用utf8編碼來表示字元，也就是說對中文以及其他語言字元的處理應該是完全沒有問題的。我們只需要利用好Encode這個模組便能充分發揮Perl的utf8字元的優勢了。

下面就以中文文本的處理為例進行說明，比如有一個字串"測試文本"，我們想要把這個中文字串拆成單個字元，可以這樣寫：

use Encode;
$dat="測試文本";
$str=decode("gb2312",$dat);
@chars=split //,$str;
foreach $char (@chars) {
print encode("gb2312",$char),"\n";
}

結果大家試一試就知道了，應該是令人滿意的。

這裡主要用到了Encode模組的decode、encode函數。要瞭解這兩個函數的作用我們需要清楚幾個概念：

1、Perl字串是使用utf8編碼的，它由Unicode字元組成而不是單個位元組，每個utf8編碼的Unicode字元佔1~4個位元組（變長）。

2、進入或離開Perl處理環境（比如輸出到螢幕、讀入和儲存檔案等等）時不是直接使用Perl字串，而需要把Perl字串轉換成位元組流，轉換過程中使用何種編碼方式完全取決於你（或者由Perl代勞）。一旦Perl字串向位元組流的編碼完成，字元的概念就不存在了，變成了純粹的位元組組合，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按照我們的字元概念來對待文本，文本資料就需要一直用Perl字串的形式存放。但是我們平時寫出的每個字元一般都被作為純ASCII字元儲存（包括在程式中明文寫出的字串），也就是位元組流的形式，這裡就需要encode和decode函數的協助了。

encode函數顧名思義是用來編碼Perl字串的。它將Perl字串中的字元用指定的編碼格式編碼，最終轉化為位元組流的形式，因此和Perl處理環境之外的事物打交道經常需要它。其格式很簡單：
$octets = encode(ENCODING, $string [, CHECK])

$string：　　Perl字串
encoding：　是給定的編碼方式
$octets:　　是編碼之後的位元組流
check:　　　表示轉換時如何處理畸變字元（也就是Perl認不出來的字元）。一般不需使用

編碼方式視語言環境的不同有很大變化，預設可以識別utf8、ascii、ascii-ctrl、
iso-8859-1等。

decode函數則是用來解碼位元組流的。它按照你給出的編碼格式解釋給定的位元組流，將其轉化為使用utf8編碼的Perl字串，一般來說從終端或者檔案取得的文本資料都應該用decode轉換為Perl字串的形式。它的格式為：

$string = decode(ENCODING, $octets [, CHECK])
$string、ENCODING、$octets和CHECK的含義同上。

現在就很容易理解上面寫的那段程式了。因為字串是用明文寫出的，存放的時候已經是位元組流形式，喪失了本來的意義，所以首先就要用 decode函數將其轉換為Perl字串，由於漢字一般都用gb2312格式編碼，這裡decode也要使用gb2312編碼格式。轉換完成後Perl 對待字元的行為就和我們一樣了，平時對字串進行操作的函數基本上都能正確對字元進行處理，除了那些本來就把字串當成一堆位元組的函數（如vec、 pack、unpack等）。於是split就能把字串切成單個字元了。最後由於在輸出的時候不能直接使用utf8編碼的字串，還需要將切割後的字元用encode函數編碼為gb2312格式的位元組流，再用print輸出。