groß- und kleinschreibung beim matchen von umlauten (Allgemeines zu Perl)

[thread]18448[/thread]

groß- und kleinschreibung beim matchen von umlauten

Tags: perl5 Ähnliche Threads

Leser: 14

Articles: hide open all | hide show old branches

+5 replies
miwieg

2013-07-20 10:23
User since
2006-07-16
59 Artikel
BenutzerIn
Hallo,

Kann das sein, dass großgeschriebene Umlaute auch die entsprechenden kleingeschriebenen Umlaute matchen? Beispiel:
Code: (dl )

1 2 3 4

my $test = "äasdfsf"; if($test =~ /^[ÄÖÜ]/){ print "MATCH\n"; }
Eigentlich sollte der Ausdruck nicht matchen, aber er tut es.
Was mache ich falsch?
Vielen Dank im Voraus.
- Raubtier
  
  2013-07-20 10:46
  
  User since
  2012-05-04
  1076 Artikel
  BenutzerIn
  
  Das Problem ist das Encoding der Umlaute. Vermutlich ist dein Script in utf8 kodiert, d.h. wenn du mal mit einem Hexeditor schaust, siehst du, dass das kleine ä C3 A4 ist, während das große Ä C3 84 ist. Es sind also jeweils zwei Bytes, von denen das erste dasselbe ist. Daher ist dein Match true.
  
  Lösung: Du musst Perl sagen, dass dein Script in utf8 geschrieben ist, dann werden die Bytes nicht einzeln verglichen, sondern als ganzes Zeichen. Also: einfach "use utf8;" benutzen. Wenn die Daten vom einer externen utf8-Quelle kommen, musst du sie erst entsprechend decoden.
  Last edited: 2013-07-20 10:47:26 +0200 (CEST)
- +3 replies
- topeg
  
  2013-07-20 10:51
  User since
  2006-07-10
  2611 Artikel
  BenutzerIn
  Bei mir kommt das erwartetet raus:
  
  Code (perl): (dl )
  
  1 2 3 4 5 6 7 8 9 10
  
  #!/usr/bin/perl use strict; use warnings; use utf8; my $test = "äasdfsf"; print "MATCH A\n" if($test =~ /^[ÄÖÜ]/); print "MATCH B\n" if($test =~ /^[äüö]/); print "MATCH C\n" if($test =~ /^[ÄÜÖ]/i);
  
  Code: (dl )
  
  1 2
  
  MATCH B MATCH C
  
  Unter welcher Kodierung hast du das Script es gespeichert? Woher kommt der zu testende String? Richtig funktioniert das mit den Umlauten erst, wenn der zu testende String und die Regexp in der selben ISO-8859-X Kodierung sind, oder besser in der Perl-internen Kodierung.
  
  Wenn du den Code als UTF-8 gespeichert hast, und keine use utf8 benutzt nimmt Perl die Bytes und nicht die Byte-Paare in der Regexp. Dann Passiert das von dir beschriebene.
  
  Also Immer schön use utf8 benutzen und alle eingaben Dekodieren. Entweder mit Encode oder beim open :encoding(...)
  Last edited: 2013-07-20 10:58:01 +0200 (CEST)
  - +2 replies
  - miwieg
    
    2013-07-20 11:15
    
    User since
    2006-07-16
    59 Artikel
    BenutzerIn
    
    Die Dateien haben laut "file" folgende Kodierung:
    
    Non-ISO extended-ASCII text, with very long lines
    
    Ich hatte ursprünglich "use utf8" drin und ":encoding(...)" verwendet.
    Dann bekam ich aber Fehlermeldung
    "utf8 "\xF6" does not map to Unicode at ..."
    - topeg
      
      2013-07-20 11:26
      
      User since
      2006-07-10
      2611 Artikel
      BenutzerIn
      
      Wenn file die Kodierung nicht erkennt, dann hat das Programm entweder am Anfang keine spezifischen Umlaute gefunden, oder es ist eine exotische Kodierung, oder mehrere Kodierungen sind gemischt.
      
      Ohne weitere Informationen ist es nicht leicht das einzugrenzen.
      
      Auf welchen System arbeitest du?
      Welche Perl-Version verwendest du?
      Kannst du einen aussagekräftigen Ausschnitt aus der Datei zeigen?

View all threads created 2013-07-20 10:23.