5.40.0

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。

℞ 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 v5.36;     # or later to get "unicode_strings" feature,
                #   plus strict, warnings
 use utf8;      # so literals and identifiers can be in UTF-8
 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 v5.36;     # またはそれ以降; "unicode_strings" 機能を有効に
                #   加えて strict, warnings
 use utf8;      # 従ってリテラルと識別子で UTF-8 を使える
 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)

Starting in v5.32, you can also use

v5.32 から、次のものを使って:

 qr/\p{name=euro sign}/

to get official Unicode named characters in regular expressions. Loose matching is always done for these.

公式な正規表現での Unicode の名前の文字を得られます。 緩いマッチングは常にこれらで行われます。

℞ 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%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-6771CJK 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}\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/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 brüléeeélûrb 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 printfsprintfformat 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.

これがプログラムです。

 #!/usr/bin/env perl
 # umenu - demo sorting and printing of Unicode food
 #
 # (obligatory and increasingly long preamble)
 #
 use v5.36;
 use utf8;
 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

 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 ($str, $width, $padchar) {
     return $str . ($padchar x ($width - colwidth($str)));
 }

 sub colwidth ($str) {
     return Unicode::GCString->new($str)->columns;
 }

 sub entitle ($str) {
     $str =~ s{ (?=\pL)(\S)     (\S*) }
              { ucfirst($1) . lc($2)  }xge;
     return $str;
 }

SEE ALSO

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 tcgrepcat -v または hexdump の代わりに uniquotewc の代わりに uniwclook の代わりに unilookfmt の代わりに unifmtsort の代わりに ucsort。 Unicode 文字名と文字特性を調べるには、unipropsunicharsuninames 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: unititleunicapsuniwideuninarrowunisupersunisubsnfdnfcnfkdnfkc; uclctc

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