当我不知道字节顺序时，如何在 Perl 中解码 UTF-16 数据？

Question

如果我打开一个文件（并直接指定编码）：

open(my $file,"<:encoding(UTF-16)","some.file") || die "error $!\n";
while(<$file>) {
    print "$_\n";
}
close($file);

我可以很好地阅读文件内容。但是，如果我这样做：

use Encode;

open(my $file,"some.file") || die "error $!\n";
while(<$file>) {
    print decode("UTF-16",$_);
}
close($file);

我收到以下错误：

UTF-16:Unrecognised BOM d at F:/Perl/lib/Encode.pm line 174

我怎样才能使它与decode一起工作？

编辑：这里是前几个字节：

FF FE 3C 00 68 00 74 00

Answer 1

您需要指定 UTF-16BE 或 UTF-16LE。见http://perldoc.perl.org/Encode/Unicode.html#Size%2c-Endianness%2c-and-BOM

Answer 2

你试图做的事情是不可能的。

您正在阅读 行 的文本，但没有指定编码，因此每个包含换行符（默认为 \x0a）的字节都会以一行结尾。但是这个换行符很可能位于 UTF-16 字符的中间，在这种情况下，您的下一行无法被解码。 如果您的数据是 UTF-16LE，这将一直发生 - 换行符是 \x0a \x00。如果你有 UTF16-BE，你可能会很幸运（换行符是 \x00 \x0a），直到你在高字节中得到一个带有 \x0a 的字符。

所以，不要那样做，以正确的编码打开文件。

Answer 3

如果您简单地指定“UTF-16”，Perl 将寻找字节顺序标记 (BOM) 来确定如何解析它。如果没有 BOM，它就会爆炸。在这种情况下，您必须通过为 little-endian 指定“UTF-16LE”或为 big-endian 指定“UTF-16BE”来告诉 Encode 您具有哪种字节顺序。

虽然您的情况还有其他问题，但如果不查看文件中的数据就很难判断。两个 sn-ps 都出现相同的错误。如果我没有 BOM 并且我没有指定字节顺序，我的 Perl 就会抱怨。您使用的是哪个 Perl 以及您拥有哪个平台？您的平台是否具有文件的本机字节顺序？根据文档，我认为我看到的行为是正确的。

此外，您不能简单地以某种未知编码（无论 Perl 的默认值是什么）读取一行，然后将其发送到 decode。您可能最终处于多字节序列的中间。您必须使用Encode::FB_QUIET 来保存无法解码的缓冲区部分并将其添加到下一个数据块中：

open my($lefh), '<:raw', 'text-utf16.txt';

my $string;
while( $string .= <$lefh> ) {
    print decode("UTF-16LE", $string, Encode::FB_QUIET) 
    }