- 名前
- 説明
- 例
- ℞ 0: 標準の前提
- ℞ 1: 一般的な Unicode が使えるフィルタ
- ℞ 2: Unicode 警告の微調整
- ℞ 3: 識別子とリテラルのためにソースが utf8 であると宣言する
- ℞ 4: 文字とその番号
- ℞ 5: 文字番号による Unicode リテラル
- ℞ 6: 番号で文字名を取得する
- ℞ 7: 名前で文字番号を取得する
- ℞ 8: Unicode 名による文字
- ℞ 9: Unicode 名による並び
- ℞ 10: カスタム名による文字
- ℞ 11: CJK 符号位置の名前
- ℞ 12: 明示的なエンコード/デコード
- ℞ 13: プログラム引数を utf8 としてデコードする
- ℞ 14: プログラム引数をロケールエンコーディングとしてデコードする
- ℞ 15: STD{IN,OUT,ERR} を utf8 として宣言する
- ℞ 15: STD{IN,OUT,ERR} をロケールエンコーディングとして宣言する
- ℞ 17: ファイル I/O のデフォルトを utf8 にする
- ℞ 18: 全ての I/O と引数のデフォルトを utf8 にする
- ℞ 19: 特定のエンコーディングでファイルを開く
- ℞ 20: Unicode の大文字小文字
- ℞ 21: Unicode の大文字小文字を無視した比較
- ℞ 22: 正規表現中の Unicode 改行並びのマッチング
- ℞ 23: 文字カテゴリを得る
- ℞ 24: 組み込み文字クラスで Unicode 判定を無効にする
- ℞ 25: 正規表現中に \p, \P を使って Unicode 特性にマッチングする
- ℞ 26: カスタム文字特性
- ℞ 27: Unicode 正規化
- ℞ 28: 非 ASCII Unicode 数字を変換する
- ℞ 29: 正規表現中の Unicode 書記素クラスタにマッチングする
- ℞ 30: 符号位置によってではなく、書記素によって展開する (正規表現)
- ℞ 31: 符号位置によってではなく、書記素によって展開する (substr)
- ℞ 32: 文字列を書記素単位で反転する
- ℞ 33: 書記素での文字列長
- ℞ 34: 表示のための Unicode 桁幅
- ℞ 35: Unicode の照合順序
- ℞ 36: Case- and accent-insensitive Unicode sort
- ℞ 37: Unicode ロケールの照合順序
- ℞ 38: Making
cmp
work on text instead of codepoints - ℞ 39: Case- and accent-insensitive comparisons
- ℞ 40: Case- and accent-insensitive locale comparisons
- ℞ 41: Unicode の改行
- ℞ 42: DBM ハッシュの中の Unicode テキスト、退屈な方法
- ℞ 43: DBM ハッシュの中の Unicode テキスト、簡単な方法
- ℞ 44: プログラム: Unicode の照合と表示のデモ
- SEE ALSO
- 作者
- COPYRIGHT AND LICENCE
- REVISION HISTORY
名前¶
perlunicook - cookbookish examples of handling Unicode in Perl
perlunicook - Perl で Unicode を扱うためのクックブック風の例
説明¶
This manpage contains short recipes demonstrating how to handle common Unicode operations in Perl, plus one complete program at the end. Any undeclared variables in individual recipes are assumed to have a previous appropriate value in them.
この man ページには、Perl で一般的な Unicode 操作を扱う方法を説明する 短いレシピと、最後に一つの完全なプログラムが含まれています。 個々のレシピ内の宣言されていない変数は、それ以前に適切な値が 設定されていることを仮定しています。
例¶
℞ 0: 標準の前提¶
Unless otherwise notes, all examples below require this standard preamble to work correctly, with the #!
adjusted to work on your system:
特に注記がない限り、以下のすべての例では、この標準の前提が正しく動作し、 #!
がシステム上で動作するように調整されている必要があります。
#!/usr/bin/env perl
use utf8; # so literals and identifiers can be in UTF-8
use v5.12; # or later to get "unicode_strings" feature
use strict; # quote strings, declare variables
use warnings; # on by default
use warnings qw(FATAL utf8); # fatalize encoding glitches
use open qw(:std :encoding(UTF-8)); # undeclared streams in UTF-8
use charnames qw(:full :short); # unneeded in v5.16
use utf8; # 従ってリテラルと識別子で UTF-8 を使える
use v5.12; # またはそれ以降; "unicode_strings" 機能を有効に
use strict; # 文字列をクォート、変数を宣言
use warnings; # デフォルトでオン
use warnings qw(FATAL utf8); # エンコーディングエラーを致命的エラーに
use open qw(:std :encoding(UTF-8)); # 未宣言ストリームを UTF-8 に
use charnames qw(:full :short); # v5.16 では不要
This does make even Unix programmers binmode
your binary streams, or open them with :raw
, but that's the only way to get at them portably anyway.
これは Unix プログラマでさえバイナリストリームを binmode
したり、 :raw
で開いたり しています が、それがとにかくこれらを 移植性のあるものにする唯一の方法です。
WARNING: use autodie
(pre 2.26) and use open
do not get along with each other.
警告: use autodie
(2.26 より前)と use open
は同時に使えません。
℞ 1: 一般的な Unicode が使えるフィルタ¶
Always decompose on the way in, then recompose on the way out.
常に、入り口で分解し、出口で再合成します。
use Unicode::Normalize;
while (<>) {
$_ = NFD($_); # decompose + reorder canonically
...
} continue {
print NFC($_); # recompose (where possible) + reorder canonically
}
℞ 2: Unicode 警告の微調整¶
As of v5.14, Perl distinguishes three subclasses of UTF‑8 warnings.
v5.14 から、Perl は UTF-8 警告の三つのサブクラスを区別しています。
use v5.14; # subwarnings unavailable any earlier
no warnings "nonchar"; # the 66 forbidden non-characters
no warnings "surrogate"; # UTF-16/CESU-8 nonsense
no warnings "non_unicode"; # for codepoints over 0x10_FFFF
℞ 3: 識別子とリテラルのためにソースが utf8 であると宣言する¶
Without the all-critical use utf8
declaration, putting UTF‑8 in your literals and identifiers won’t work right. If you used the standard preamble just given above, this already happened. If you did, you can do things like this:
最も重要な use utf8
宣言なしの場合、リテラルと識別子に UTF-8 を入れると正しく動作しません。 前述した標準の前提を使った場合、これは既に含まれています。 その場合、以下のようなことができます:
use utf8;
my $measure = "Ångström";
my @μsoft = qw( cp852 cp1251 cp1252 );
my @ὑπέρμεγας = qw( ὑπέρ μεγας );
my @鯉 = qw( koi8-f koi8-u koi8-r );
my $motto = "👪 💗 🐪"; # FAMILY, GROWING HEART, DROMEDARY CAMEL
If you forget use utf8
, high bytes will be misunderstood as separate characters, and nothing will work right.
use utf8
を忘れると、上位バイトは別々の文字として誤解され、 何も正しく動作しません。
℞ 4: 文字とその番号¶
The ord
and chr
functions work transparently on all codepoints, not just on ASCII alone — nor in fact, not even just on Unicode alone.
ord
関数と chr
関数は、すべての符号位置で透過的に動作します; ASCII だけではなく、実際には Unicode だけでもありません。
# ASCII characters
ord("A")
chr(65)
# characters from the Basic Multilingual Plane
ord("Σ")
chr(0x3A3)
# beyond the BMP
ord("𝑛") # MATHEMATICAL ITALIC SMALL N
chr(0x1D45B)
# beyond Unicode! (up to MAXINT)
ord("\x{20_0000}")
chr(0x20_0000)
℞ 5: 文字番号による Unicode リテラル¶
In an interpolated literal, whether a double-quoted string or a regex, you may specify a character by its number using the \x{HHHHHH}
escape.
展開リテラルでは、ダブルクォートで囲まれた文字列か正規表現かにかかわらず、 \x{HHHHHH}
エスケープを使用して番号で文字を指定できます。
String: "\x{3a3}"
Regex: /\x{3a3}/
String: "\x{1d45b}"
Regex: /\x{1d45b}/
# even non-BMP ranges in regex work fine
/[\x{1D434}-\x{1D467}]/
℞ 6: 番号で文字名を取得する¶
use charnames ();
my $name = charnames::viacode(0x03A3);
℞ 7: 名前で文字番号を取得する¶
use charnames ();
my $number = charnames::vianame("GREEK CAPITAL LETTER SIGMA");
℞ 8: Unicode 名による文字¶
Use the \N{charname}
notation to get the character by that name for use in interpolated literals (double-quoted strings and regexes). In v5.16, there is an implicit
展開リテラル(ダブルクォートで囲まれた文字列と正規表現)で用いる、 名前で文字を得るために <\N{charname}
> 表記を使います。 v5.16 では、これは暗黙に指定されます:
use charnames qw(:full :short);
But prior to v5.16, you must be explicit about which set of charnames you want. The :full
names are the official Unicode character name, alias, or sequence, which all share a namespace.
しかし、v5.16 より前のバージョンでは、どの charnames の集合を使用するかを 明示的に指定しなければなりません。 :full
の名前は、Unicode の正式な文字名、別名、または 並びであり、すべて名前空間を共有します。
use charnames qw(:full :short latin greek);
"\N{MATHEMATICAL ITALIC SMALL N}" # :full
"\N{GREEK CAPITAL LETTER SIGMA}" # :full
Anything else is a Perl-specific convenience abbreviation. Specify one or more scripts by names if you want short names that are script-specific.
それ以外は、Perl 固有の便利な省略形です。 用字固有の短い名前が必要な場合は、一つ以上の用字を名前で指定します。
"\N{Greek:Sigma}" # :short
"\N{ae}" # latin
"\N{epsilon}" # greek
The v5.16 release also supports a :loose
import for loose matching of character names, which works just like loose matching of property names: that is, it disregards case, whitespace, and underscores:
v5.16 リリースでは、文字名の緩やかなマッチングのための :loose
インポートにも対応しています; これは特性名の緩やかなマッチングと同じように機能します: つまり、大文字小文字、空白、下線は無視されます:
"\N{euro sign}" # :loose (from v5.16)
℞ 9: Unicode 名による並び¶
These look just like character names but return multiple codepoints. Notice the %vx
vector-print functionality in printf
.
これらは文字名のように見えますが、複数の符号位置を返します。 printf
の %vx
ベクトル表示機能に注目してください。
use charnames qw(:full);
my $seq = "\N{LATIN CAPITAL LETTER A WITH MACRON AND GRAVE}";
printf "U+%v04X\n", $seq;
U+0100.0300
℞ 10: カスタム名による文字¶
Use :alias
to give your own lexically scoped nicknames to existing characters, or even to give unnamed private-use characters useful names.
:alias
を使用して、既存の文字に対してレキシカルスコープの 独自のニックネームを付けたり、無名の私用文字に有用な名前を 付けることができます。
use charnames ":full", ":alias" => {
ecute => "LATIN SMALL LETTER E WITH ACUTE",
"APPLE LOGO" => 0xF8FF, # private use character
};
"\N{ecute}"
"\N{APPLE LOGO}"
℞ 11: CJK 符号位置の名前¶
Sinograms like “東京” come back with character names of CJK UNIFIED IDEOGRAPH-6771
and CJK UNIFIED IDEOGRAPH-4EAC
, because their “names” vary. The CPAN Unicode::Unihan
module has a large database for decoding these (and a whole lot more), provided you know how to understand its output.
「東京」のような中国漢字は、「名前」が異なるため、 CJK UNIFIED IDEOGRAPH-6771
と CJK UNIFIED IDEOGRAPH-4EAC
という文字名で戻ってきます。 CPAN の Unicode::Unihan
モジュールは、その出力を理解する方法を 知っていれば、これら(およびさらに多くの)文字をデコードするための 大規模なデータベースを持ちます。
# cpan -i Unicode::Unihan
use Unicode::Unihan;
my $str = "東京";
my $unhan = Unicode::Unihan->new;
for my $lang (qw(Mandarin Cantonese Korean JapaneseOn JapaneseKun)) {
printf "CJK $str in %-12s is ", $lang;
say $unhan->$lang($str);
}
prints:
これは次のものを表示します:
CJK 東京 in Mandarin is DONG1JING1
CJK 東京 in Cantonese is dung1ging1
CJK 東京 in Korean is TONGKYENG
CJK 東京 in JapaneseOn is TOUKYOU KEI KIN
CJK 東京 in JapaneseKun is HIGASHI AZUMAMIYAKO
If you have a specific romanization scheme in mind, use the specific module:
特定のローマ字化スキームを考えている場合は、特定のモジュールを使います:
# cpan -i Lingua::JA::Romanize::Japanese
use Lingua::JA::Romanize::Japanese;
my $k2r = Lingua::JA::Romanize::Japanese->new;
my $str = "東京";
say "Japanese for $str is ", $k2r->chars($str);
prints
これは次のものを表示します:
Japanese for 東京 is toukyou
℞ 12: 明示的なエンコード/デコード¶
On rare occasion, such as a database read, you may be given encoded text you need to decode.
まれに、データベースの読み取りなど、デコードする必要がある エンコードされたテキストを受け取ることがあります。
use Encode qw(encode decode);
my $chars = decode("shiftjis", $bytes, 1);
# OR
my $bytes = encode("MIME-Header-ISO_2022_JP", $chars, 1);
For streams all in the same encoding, don't use encode/decode; instead set the file encoding when you open the file or immediately after with binmode
as described later below.
同じエンコーディングのストリームに対しては、encode/decode を 使わないでください; 代わりに、後述するように、ファイルを開くとき、またはその直後に binmode
でファイルエンコーディングを設定してください。
℞ 13: プログラム引数を utf8 としてデコードする¶
$ perl -CA ...
or
$ export PERL_UNICODE=A
or
use Encode qw(decode);
@ARGV = map { decode('UTF-8', $_, 1) } @ARGV;
℞ 14: プログラム引数をロケールエンコーディングとしてデコードする¶
# cpan -i Encode::Locale
use Encode qw(locale);
use Encode::Locale;
# use "locale" as an arg to encode/decode
@ARGV = map { decode(locale => $_, 1) } @ARGV;
℞ 15: STD{IN,OUT,ERR} を utf8 として宣言する¶
Use a command-line option, an environment variable, or else call binmode
explicitly:
コマンドラインオプションや環境変数を使うか、明示的に binmode
を呼び出します。
$ perl -CS ...
or
$ export PERL_UNICODE=S
or
use open qw(:std :encoding(UTF-8));
or
binmode(STDIN, ":encoding(UTF-8)");
binmode(STDOUT, ":utf8");
binmode(STDERR, ":utf8");
℞ 15: STD{IN,OUT,ERR} をロケールエンコーディングとして宣言する¶
# cpan -i Encode::Locale
use Encode;
use Encode::Locale;
# or as a stream for binmode or open
binmode STDIN, ":encoding(console_in)" if -t STDIN;
binmode STDOUT, ":encoding(console_out)" if -t STDOUT;
binmode STDERR, ":encoding(console_out)" if -t STDERR;
℞ 17: ファイル I/O のデフォルトを utf8 にする¶
Files opened without an encoding argument will be in UTF-8:
encoding 引数なしで開かれたファイルは UTF-8 になります:
$ perl -CD ...
or
$ export PERL_UNICODE=D
or
use open qw(:encoding(UTF-8));
℞ 18: 全ての I/O と引数のデフォルトを utf8 にする¶
$ perl -CSDA ...
or
$ export PERL_UNICODE=SDA
or
use open qw(:std :encoding(UTF-8));
use Encode qw(decode);
@ARGV = map { decode('UTF-8', $_, 1) } @ARGV;
℞ 19: 特定のエンコーディングでファイルを開く¶
Specify stream encoding. This is the normal way to deal with encoded text, not by calling low-level functions.
ストリームエンコーディングを指定します。 これは、低レベル関数を呼び出すのではなく、エンコードされたテキストを 処理する通常の方法です。
# input file
open(my $in_file, "< :encoding(UTF-16)", "wintext");
OR
open(my $in_file, "<", "wintext");
binmode($in_file, ":encoding(UTF-16)");
THEN
my $line = <$in_file>;
# output file
open($out_file, "> :encoding(cp1252)", "wintext");
OR
open(my $out_file, ">", "wintext");
binmode($out_file, ":encoding(cp1252)");
THEN
print $out_file "some text\n";
More layers than just the encoding can be specified here. For example, the incantation ":raw :encoding(UTF-16LE) :crlf"
includes implicit CRLF handling.
ここで指定できるのは、エンコーディングだけではありません。 例えば、呪文 ":raw :encoding(UTF-16LE) :crlf"
には 暗黙的な CRLF 処理が含まれています。
℞ 20: Unicode の大文字小文字¶
Unicode casing is very different from ASCII casing.
Unicode の大文字小文字は ASCII の大文字小文字とは大きく異なります。
uc("henry ⅷ") # "HENRY Ⅷ"
uc("tschüß") # "TSCHÜSS" notice ß => SS
# both are true:
"tschüß" =~ /TSCHÜSS/i # notice ß => SS
"Σίσυφος" =~ /ΣΊΣΥΦΟΣ/i # notice Σ,σ,ς sameness
℞ 21: Unicode の大文字小文字を無視した比較¶
Also available in the CPAN Unicode::CaseFold module, the new fc
“foldcase” function from v5.16 grants access to the same Unicode casefolding as the /i
pattern modifier has always used:
CPAN の Unicode::CaseFold モジュールでも利用可能な、v5.16 の新しい fc
"foldcase" 関数は、/i
パターン修飾子が常に使ってきたのと同じ Unicode 大文字小文字畳み込みへのアクセスを与えます。
use feature "fc"; # fc() function is from v5.16
# sort case-insensitively
my @sorted = sort { fc($a) cmp fc($b) } @list;
# both are true:
fc("tschüß") eq fc("TSCHÜSS")
fc("Σίσυφος") eq fc("ΣΊΣΥΦΟΣ")
℞ 22: 正規表現中の Unicode 改行並びのマッチング¶
A Unicode linebreak matches the two-character CRLF grapheme or any of seven vertical whitespace characters. Good for dealing with textfiles coming from different operating systems.
Unicode の改行は、2 文字の CRLF 書記素または七つの垂直空白文字の いずれかにマッチングします。 異なるオペレーティングシステムから送られてくるテキストファイルを 扱うのに適しています。
\R
s/\R/\n/g; # normalize all linebreaks to \n
℞ 23: 文字カテゴリを得る¶
Find the general category of a numeric codepoint.
数値符号位置の一般カテゴリを見つけます。
use Unicode::UCD qw(charinfo);
my $cat = charinfo(0x3A3)->{category}; # "Lu"
℞ 24: 組み込み文字クラスで Unicode 判定を無効にする¶
Disable \w
, \b
, \s
, \d
, and the POSIX classes from working correctly on Unicode either in this scope, or in just one regex.
このスコープまたは一つの正規表現で、\w
、\b
、\s
、\d
、 および POSIX クラスが Unicode で正しく動作しないようにします。
use v5.14;
use re "/a";
# OR
my($num) = $str =~ /(\d+)/a;
Or use specific un-Unicode properties, like \p{ahex}
and \p{POSIX_Digit
}. Properties still work normally no matter what charset modifiers (/d /u /l /a /aa
) should be effect.
または、\p{ahex}
や \p{POSIX_Digit
} などの特定の非 Unicode 特性を 使います。 どの文字集合修飾子 (/d /u /l /a /aa
) が有効であっても、 特性は正常に動作します。
℞ 25: 正規表現中に \p, \P を使って Unicode 特性にマッチングする¶
These all match a single codepoint with the given property. Use \P
in place of \p
to match one codepoint lacking that property.
これらはすべて、指定された特性を持つ一つの符号位置にマッチングします。 \p
の代わりに \P
を使用すると、その特性を持たない一つの符号位置に マッチングします。
\pL, \pN, \pS, \pP, \pM, \pZ, \pC
\p{Sk}, \p{Ps}, \p{Lt}
\p{alpha}, \p{upper}, \p{lower}
\p{Latin}, \p{Greek}
\p{script_extensions=Latin}, \p{scx=Greek}
\p{East_Asian_Width=Wide}, \p{EA=W}
\p{Line_Break=Hyphen}, \p{LB=HY}
\p{Numeric_Value=4}, \p{NV=4}
℞ 26: カスタム文字特性¶
Define at compile-time your own custom character properties for use in regexes.
正規表現で使用する独自のカスタム文字特性をコンパイル時に定義します。
# using private-use characters
sub In_Tengwar { "E000\tE07F\n" }
if (/\p{In_Tengwar}/) { ... }
# blending existing properties
sub Is_GraecoRoman_Title {<<'END_OF_SET'}
+utf8::IsLatin
+utf8::IsGreek
&utf8::IsTitle
END_OF_SET
if (/\p{Is_GraecoRoman_Title}/ { ... }
℞ 27: Unicode 正規化¶
Typically render into NFD on input and NFC on output. Using NFKC or NFKD functions improves recall on searches, assuming you've already done to the same text to be searched. Note that this is about much more than just pre- combined compatibility glyphs; it also reorders marks according to their canonical combining classes and weeds out singletons.
通常は、入力では NFD に、出力では NFC にレンダリングされます。 NFKC または NFKD 関数を使うことで、検索対象の同じテキストに対して 既に実行していることを前提として、検索時の再呼び出しが改善されます。 これは単に事前結合された互換グリフ以上のものであることに 注意してください; 正準結合クラスに従ってマークを並び替え、シングルトンを削除します。
use Unicode::Normalize;
my $nfd = NFD($orig);
my $nfc = NFC($orig);
my $nfkd = NFKD($orig);
my $nfkc = NFKC($orig);
℞ 28: 非 ASCII Unicode 数字を変換する¶
Unless you’ve used /a
or /aa
, \d
matches more than ASCII digits only, but Perl’s implicit string-to-number conversion does not current recognize these. Here’s how to convert such strings manually.
/a
や /aa
を使用していない限り、\d
は ASCII 数字以上のものに マッチングしますが、 Perl の暗黙的な文字列から数値への変換では、現在のところこれらを 認識できません。 このような文字列を手動で変換する方法を以下に示します。
use v5.14; # needed for num() function
use Unicode::UCD qw(num);
my $str = "got Ⅻ and ४५६७ and ⅞ and here";
my @nums = ();
while ($str =~ /(\d+|\N)/g) { # not just ASCII!
push @nums, num($1);
}
say "@nums"; # 12 4567 0.875
use charnames qw(:full);
my $nv = num("\N{RUMI DIGIT ONE}\N{RUMI DIGIT TWO}");
℞ 29: 正規表現中の Unicode 書記素クラスタにマッチングする¶
Programmer-visible “characters” are codepoints matched by /./s
, but user-visible “characters” are graphemes matched by /\X/
.
プログラマから見える「文字」は、/./s
がマッチする符号位置ですが、 ユーザから見える「文字」は、/\X/
がマッチする書記素です。
# Find vowel *plus* any combining diacritics,underlining,etc.
my $nfd = NFD($orig);
$nfd =~ / (?=[aeiou]) \X /xi
℞ 30: 符号位置によってではなく、書記素によって展開する (正規表現)¶
# match and grab five first graphemes
my($first_five) = $str =~ /^ ( \X{5} ) /x;
℞ 31: 符号位置によってではなく、書記素によって展開する (substr)¶
# cpan -i Unicode::GCString
use Unicode::GCString;
my $gcs = Unicode::GCString->new($str);
my $first_five = $gcs->substr(0, 5);
℞ 32: 文字列を書記素単位で反転する¶
Reversing by codepoint messes up diacritics, mistakenly converting crème brûlée
into éel̂urb em̀erc
instead of into eélûrb emèrc
; so reverse by grapheme instead. Both these approaches work right no matter what normalization the string is in:
符号位置による反転はダイアクリティカルマークを混乱させ、誤って crème brülée
を eélûrb emèrc
ではなく éel̂urb em̀erc
に変換します; そこで、代わりに書記素による反転を行います。 これらの手法はどちらも、文字列の正規化がどのようなものであっても 正しく機能します。
$str = join("", reverse $str =~ /\X/g);
# OR: cpan -i Unicode::GCString
use Unicode::GCString;
$str = reverse Unicode::GCString->new($str);
℞ 33: 書記素での文字列長¶
The string brûlée
has six graphemes but up to eight codepoints. This counts by grapheme, not by codepoint:
文字列 brülée
は六つの書記素を持ちますが、最大八つの符号位置を持ちます。 これは、符号位置ではなく、書記素によってカウントされます:
my $str = "brûlée";
my $count = 0;
while ($str =~ /\X/g) { $count++ }
# OR: cpan -i Unicode::GCString
use Unicode::GCString;
my $gcs = Unicode::GCString->new($str);
my $count = $gcs->length;
℞ 34: 表示のための Unicode 桁幅¶
Perl’s printf
, sprintf
, and format
think all codepoints take up 1 print column, but many take 0 or 2. Here to show that normalization makes no difference, we print out both forms:
Perl の printf
、sprintf
、format
は、すべての符号位置が 一つの表示桁を占有すると考えていますが、多くの符号位置は 0 から 2 を 占有します。 ここでは、正規化に違いがないことを示すために、両方の形式を出力します。
use Unicode::GCString;
use Unicode::Normalize;
my @words = qw/crème brûlée/;
@words = map { NFC($_), NFD($_) } @words;
for my $str (@words) {
my $gcs = Unicode::GCString->new($str);
my $cols = $gcs->columns;
my $pad = " " x (10 - $cols);
say str, $pad, " |";
}
generates this to show that it pads correctly no matter the normalization:
これは、正規化に関係なく正しくパッディングされていることを示すために 次のように生成されます。
crème |
crème |
brûlée |
brûlée |
℞ 35: Unicode の照合順序¶
Text sorted by numeric codepoint follows no reasonable alphabetic order; use the UCA for sorting text.
数値符号位置でソートされたテキストは、合理的なアルファベット順ではありません; テキストのソートには UCA を使用してください。
use Unicode::Collate;
my $col = Unicode::Collate->new();
my @list = $col->sort(@old_list);
See the ucsort program from the Unicode::Tussle CPAN module for a convenient command-line interface to this module.
このモジュールへの便利なコマンドラインインタフェースについては、 Unicode::Tassil CPAN モジュールの ucsort プログラムを参照してください。
℞ 36: Case- and accent-insensitive Unicode sort¶
(℞ 36: 大文字小文字 および アクセントを無視した Unicode のソート)
Specify a collation strength of level 1 to ignore case and diacritics, only looking at the basic character.
照合強度レベル 1 を指定して、大文字小文字とダイアクリティカルマークを 無視し、基本文字だけを参照するようにします。
use Unicode::Collate;
my $col = Unicode::Collate->new(level => 1);
my @list = $col->sort(@old_list);
℞ 37: Unicode ロケールの照合順序¶
Some locales have special sorting rules.
一部のロケールには、特別なソート規則があります。
# either use v5.12, OR: cpan -i Unicode::Collate::Locale
use Unicode::Collate::Locale;
my $col = Unicode::Collate::Locale->new(locale => "de__phonebook");
my @list = $col->sort(@old_list);
The ucsort program mentioned above accepts a --locale
parameter.
上記の ucsort プログラムは、--locale
パラメータを受け付けます。
℞ 38: Making cmp
work on text instead of codepoints¶
(℞ 38: 符号位置ではなくテキストでg cmp
が動作するようにする)
Instead of this:
次のようにせずに:
@srecs = sort {
$b->{AGE} <=> $a->{AGE}
||
$a->{NAME} cmp $b->{NAME}
} @recs;
Use this:
次を使います:
my $coll = Unicode::Collate->new();
for my $rec (@recs) {
$rec->{NAME_key} = $coll->getSortKey( $rec->{NAME} );
}
@srecs = sort {
$b->{AGE} <=> $a->{AGE}
||
$a->{NAME_key} cmp $b->{NAME_key}
} @recs;
℞ 39: Case- and accent-insensitive comparisons¶
(℞ 39: 大文字小文字 および アクセントを無視した比較)
Use a collator object to compare Unicode text by character instead of by codepoint.
照合オブジェクトを使用して、Unicode テキストを符号位置ではなく 文字で比較します。
use Unicode::Collate;
my $es = Unicode::Collate->new(
level => 1,
normalization => undef
);
# now both are true:
$es->eq("García", "GARCIA" );
$es->eq("Márquez", "MARQUEZ");
℞ 40: Case- and accent-insensitive locale comparisons¶
(℞ 40: 大文字小文字 および アクセントを無視したロケールでの比較)
Same, but in a specific locale.
同じですが、特定のロケールです。
my $de = Unicode::Collate::Locale->new(
locale => "de__phonebook",
);
# now this is true:
$de->eq("tschüß", "TSCHUESS"); # notice ü => UE, ß => SS
℞ 41: Unicode の改行¶
Break up text into lines according to Unicode rules.
Unicode 規則に従ってテキストを行に分割します。
# cpan -i Unicode::LineBreak
use Unicode::LineBreak;
use charnames qw(:full);
my $para = "This is a super\N{HYPHEN}long string. " x 20;
my $fmt = Unicode::LineBreak->new;
print $fmt->break($para), "\n";
℞ 42: DBM ハッシュの中の Unicode テキスト、退屈な方法¶
Using a regular Perl string as a key or value for a DBM hash will trigger a wide character exception if any codepoints won’t fit into a byte. Here’s how to manually manage the translation:
DBM ハッシュのキーまたは値として通常の Perl 文字列を使用すると、 符号位置が 1 バイトに収まらない場合にワイド文字例外が発生します。 次に、手動で変換を管理する方法を示します:
use DB_File;
use Encode qw(encode decode);
tie %dbhash, "DB_File", "pathname";
# STORE
# assume $uni_key and $uni_value are abstract Unicode strings
my $enc_key = encode("UTF-8", $uni_key, 1);
my $enc_value = encode("UTF-8", $uni_value, 1);
$dbhash{$enc_key} = $enc_value;
# FETCH
# assume $uni_key holds a normal Perl string (abstract Unicode)
my $enc_key = encode("UTF-8", $uni_key, 1);
my $enc_value = $dbhash{$enc_key};
my $uni_value = decode("UTF-8", $enc_value, 1);
℞ 43: DBM ハッシュの中の Unicode テキスト、簡単な方法¶
Here’s how to implicitly manage the translation; all encoding and decoding is done automatically, just as with streams that have a particular encoding attached to them:
次に、変換を暗黙的に管理する方法を示します; すべてのエンコードとデコードは、特定のエンコーディングが付加された ストリームと同じように自動的に行われます:
use DB_File;
use DBM_Filter;
my $dbobj = tie %dbhash, "DB_File", "pathname";
$dbobj->Filter_Value("utf8"); # this is the magic bit
# STORE
# assume $uni_key and $uni_value are abstract Unicode strings
$dbhash{$uni_key} = $uni_value;
# FETCH
# $uni_key holds a normal Perl string (abstract Unicode)
my $uni_value = $dbhash{$uni_key};
℞ 44: プログラム: Unicode の照合と表示のデモ¶
Here’s a full program showing how to make use of locale-sensitive sorting, Unicode casing, and managing print widths when some of the characters take up zero or two columns, not just one column each time. When run, the following program produces this nicely aligned output:
以下の完全なプログラムでは、ロケールを認識するソート、 Unicode の大文字小文字、そしていくつかの文字が 1 桁ではなく 0 または 2 桁を 占める場合の印刷幅の管理をどのように利用するかを示しています。 次のプログラムを実行すると、次のようなうまく整列した出力が生成されます:
Crème Brûlée....... €2.00
Éclair............. €1.60
Fideuà............. €4.20
Hamburger.......... €6.00
Jamón Serrano...... €4.45
Linguiça........... €7.00
Pâté............... €4.15
Pears.............. €2.00
Pêches............. €2.25
Smørbrød........... €5.75
Spätzle............ €5.50
Xoriço............. €3.00
Γύρος.............. €6.50
막걸리............. €4.00
おもち............. €2.65
お好み焼き......... €8.00
シュークリーム..... €1.85
寿司............... €9.99
包子............... €7.50
Here's that program; tested on v5.14.
これがプログラムです; v5.14 でテストされています。
#!/usr/bin/env perl
# umenu - demo sorting and printing of Unicode food
#
# (obligatory and increasingly long preamble)
#
use utf8;
use v5.14; # for locale sorting
use strict;
use warnings;
use warnings qw(FATAL utf8); # fatalize encoding faults
use open qw(:std :encoding(UTF-8)); # undeclared streams in UTF-8
use charnames qw(:full :short); # unneeded in v5.16
# std modules
use Unicode::Normalize; # std perl distro as of v5.8
use List::Util qw(max); # std perl distro as of v5.10
use Unicode::Collate::Locale; # std perl distro as of v5.14
# cpan modules
use Unicode::GCString; # from CPAN
# forward defs
sub pad($$$);
sub colwidth(_);
sub entitle(_);
my %price = (
"γύρος" => 6.50, # gyros
"pears" => 2.00, # like um, pears
"linguiça" => 7.00, # spicy sausage, Portuguese
"xoriço" => 3.00, # chorizo sausage, Catalan
"hamburger" => 6.00, # burgermeister meisterburger
"éclair" => 1.60, # dessert, French
"smørbrød" => 5.75, # sandwiches, Norwegian
"spätzle" => 5.50, # Bayerisch noodles, little sparrows
"包子" => 7.50, # bao1 zi5, steamed pork buns, Mandarin
"jamón serrano" => 4.45, # country ham, Spanish
"pêches" => 2.25, # peaches, French
"シュークリーム" => 1.85, # cream-filled pastry like eclair
"막걸리" => 4.00, # makgeolli, Korean rice wine
"寿司" => 9.99, # sushi, Japanese
"おもち" => 2.65, # omochi, rice cakes, Japanese
"crème brûlée" => 2.00, # crema catalana
"fideuà" => 4.20, # more noodles, Valencian
# (Catalan=fideuada)
"pâté" => 4.15, # gooseliver paste, French
"お好み焼き" => 8.00, # okonomiyaki, Japanese
);
my $width = 5 + max map { colwidth } keys %price;
# So the Asian stuff comes out in an order that someone
# who reads those scripts won't freak out over; the
# CJK stuff will be in JIS X 0208 order that way.
my $coll = Unicode::Collate::Locale->new(locale => "ja");
for my $item ($coll->sort(keys %price)) {
print pad(entitle($item), $width, ".");
printf " €%.2f\n", $price{$item};
}
sub pad($$$) {
my($str, $width, $padchar) = @_;
return $str . ($padchar x ($width - colwidth($str)));
}
sub colwidth(_) {
my($str) = @_;
return Unicode::GCString->new($str)->columns;
}
sub entitle(_) {
my($str) = @_;
$str =~ s{ (?=\pL)(\S) (\S*) }
{ ucfirst($1) . lc($2) }xge;
return $str;
}
SEE ALSO¶
See these manpages, some of which are CPAN modules: perlunicode, perluniprops, perlre, perlrecharclass, perluniintro, perlunitut, perlunifaq, PerlIO, DB_File, DBM_Filter, DBM_Filter::utf8, Encode, Encode::Locale, Unicode::UCD, Unicode::Normalize, Unicode::GCString, Unicode::LineBreak, Unicode::Collate, Unicode::Collate::Locale, Unicode::Unihan, Unicode::CaseFold, Unicode::Tussle, Lingua::JA::Romanize::Japanese, Lingua::ZH::Romanize::Pinyin, Lingua::KO::Romanize::Hangul.
以下の man ページ; 一部は CPAN モジュールのものです: perlunicode, perluniprops, perlre, perlrecharclass, perluniintro, perlunitut, perlunifaq, PerlIO, DB_File, DBM_Filter, DBM_Filter::utf8, Encode, Encode::Locale, Unicode::UCD, Unicode::Normalize, Unicode::GCString, Unicode::LineBreak, Unicode::Collate, Unicode::Collate::Locale, Unicode::Unihan, Unicode::CaseFold, Unicode::Tussle, Lingua::JA::Romanize::Japanese, Lingua::ZH::Romanize::Pinyin, Lingua::KO::Romanize::Hangul.
The Unicode::Tussle CPAN module includes many programs to help with working with Unicode, including these programs to fully or partly replace standard utilities: tcgrep instead of egrep, uniquote instead of cat -v or hexdump, uniwc instead of wc, unilook instead of look, unifmt instead of fmt, and ucsort instead of sort. For exploring Unicode character names and character properties, see its uniprops, unichars, and uninames programs. It also supplies these programs, all of which are general filters that do Unicode-y things: unititle and unicaps; uniwide and uninarrow; unisupers and unisubs; nfd, nfc, nfkd, and nfkc; and uc, lc, and tc.
Unicode::Tussle CPAN モジュールには、Unicode を扱うための多くの プログラムが含まれています; これらのプログラムは、標準ユーティリティを完全にまたは部分的に 置き換えるためのものです: egrep の代わりに tcgrep、 cat -v または hexdump の代わりに uniquote、 wc の代わりに uniwc、 look の代わりに unilook、 fmt の代わりに unifmt、 sort の代わりに ucsort。 Unicode 文字名と文字特性を調べるには、uniprops、unichars、 uninames プログラムを参照してください。 また、これらのプログラムも提供しています。 これらはすべて Unicode 対応の一般的なフィルタです: unititle と unicaps、 uniwide と uninarrow、 unisupers と unisubs、 nfd、nfc、nfkd、nfkc; uc、lc、tc。
Finally, see the published Unicode Standard (page numbers are from version 6.0.0), including these specific annexes and technical reports:
最後に、これらの特定の付属文書および技術報告書を含む、公開された Unicode 標準(ページ番号はバージョン6.0.0 から) を参照してください。
- §3.13 Default Case Algorithms, page 113; §4.2 Case, pages 120–122; Case Mappings, page 166–172, especially Caseless Matching starting on page 170.
- UAX #44: Unicode Character Database
- UTS #18: Unicode Regular Expressions
- UAX #15: Unicode Normalization Forms
- UTS #10: Unicode Collation Algorithm
- UAX #29: Unicode Text Segmentation
- UAX #14: Unicode Line Breaking Algorithm
- UAX #11: East Asian Width
作者¶
Tom Christiansen <tchrist@perl.com> wrote this, with occasional kibbitzing from Larry Wall and Jeffrey Friedl in the background.
Tom Christiansen <tchrist@perl.com> が、 時々 Larry Wall と Jeffrey Friedl に後ろから口出しされながら書きました。
COPYRIGHT AND LICENCE¶
Copyright © 2012 Tom Christiansen.
This program is free software; you may redistribute it and/or modify it under the same terms as Perl itself.
Most of these examples taken from the current edition of the “Camel Book”; that is, from the 4ᵗʰ Edition of Programming Perl, Copyright © 2012 Tom Christiansen <et al.>, 2012-02-13 by O’Reilly Media. The code itself is freely redistributable, and you are encouraged to transplant, fold, spindle, and mutilate any of the examples in this manpage however you please for inclusion into your own programs without any encumbrance whatsoever. Acknowledgement via code comment is polite but not required.
これらの例のほとんどは、"Camel Book"の現在の版から引用されています: すなわち、4ᵗʰ版Programming Perl, Copyright © 2012 Tom Christiansen <et al.>, 2012-02-13 by O'Reilly Media。 コード自体は自由に再配布可能であり、この man ページの例を移植したり、 折りたたんだり、紡錘形にしたり、切断したりすることが推奨されますが、 あなた自身のプログラムに含めるためには、何も気にせずに行ってください。 コードコメントによる謝辞は丁寧ですが、必須ではありません。
REVISION HISTORY¶
v1.0.0 – first public release, 2012-02-27
v1.0.0 - 最初の一般公開、2012-02-27