无法在 Perl 中使用正则表达式匹配印度卢比货币符号

Question

以下是我的文字：

Total: ₹ 131.84

Thanks for choosing Uber, Pradeep

我想匹配金额部分，使用以下代码：

if ( $mail_body =~ /Total: \x{20B9} (\d+)/ ) {
    $amount = $1;
}

但是，它不匹配，尝试使用正则表达式调试，这是输出：

Compiling REx "Total: \x{20B9} (\d+)"
Final program:
   1: EXACT <Total: \x{20b9} > (5)
   5: OPEN1 (7)
   7:   PLUS (9)
   8:     DIGIT (0)
   9: CLOSE1 (11)
  11: END (0)
anchored utf8 "Total: %x{20b9} " at 0 (checking anchored) minlen 10
Matching REx "Total: \x{20B9} (\d+)" against "Total: %342%202%271%302%240131.84%n%nThanks for choosing Ube"...
UTF-8 pattern...
Match failed
Freeing REx: "Total: \x{20B9} (\d+)"

完整代码在http://pastebin.com/TGdFX7hg。

Answer 1

免责声明：这感觉更像是评论而不是答案，但我需要更多空间。

我以前从未使用过MIME::Parser 和朋友，但根据我在文档中阅读的内容，以下可能有效：

use Encode qw(decode);

# according to your code, $text_mail is a MIME::Entity object
my $charset = $text_mail->head->mime_attr('content-type.charset');
my $mail_body_raw = $text_mail->bodyhandle->as_string;

my $mail_body = decode $charset, $mail_body_raw;

想法是从MIME::Head 对象中获取字符集，然后使用Encode 对正文进行相应的解码。

当然，如果您知道它始终是 UTF-8 文本，您也可以对其进行硬编码：

my $mail_body = decode 'UTF-8', $mail_body_raw;

---

之后，您的正则表达式可能仍然无法工作，因为根据您问题中的调试输出，₹和数字之间的字符实际上不是简单的空格（ASCII 32，U+0020），而是不间断的空格(U+00A0)。您应该可以将其与\s 匹配：

if ( $mail_body =~ /Total: \x{20B9}\s(\d+)/ ) {

Answer 2

这是在寻找解释，而不是直接的答案。请多多包涵。

---

我相信您的$mail_body 不包含您认为的内容。您将输入数据发布为纯文本。是从邮件客户端复制的吗？

如果我从问题中获取代码和输入数据并使用use re 'debug' 运行它，我会得到不同的输出。

use utf8;
use strict;
use warnings;
use re 'debug';

my $mail_body = qq{Total: ₹ 131.84

Thanks for choosing Uber, Pradeep};

if ( $mail_body =~ /Total: \x{20B9} (\d+)/ ) {
    my $amount = $1;
}

它会产生这个：

Compiling REx "Total: \x{20B9} (\d+)"
Final program:
   1: EXACT <Total: \x{20b9} > (5)
   5: OPEN1 (7)
   7:   PLUS (9)
   8:     POSIXU[\d] (0)
   9: CLOSE1 (11)
  11: END (0)
anchored utf8 "Total: %x{20b9} " at 0 (checking anchored) minlen 10 
Matching REx "Total: \x{20B9} (\d+)" against "Total: %x{20b9} 131.84%n%nThanks for choosing Uber, Pradeep"
UTF-8 pattern and string...
Intuit: trying to determine minimum start position...
  Found anchored substr "Total: %x{20b9} " at offset 0...
  (multiline anchor test skipped)
Intuit: Successfully guessed: match at offset 0
   0 <> <Total: >            |  1:EXACT <Total: \x{20b9} >(5)
  11 < %x{20b9} > <131.84%n%n>|  5:OPEN1(7)
  11 < %x{20b9} > <131.84%n%n>|  7:PLUS(9)
                                  POSIXU[\d] can match 3 times out of 2147483647...
  14 <%x{20b9} 131> <.84%n%nTha>|  9:  CLOSE1(11)
  14 <%x{20b9} 131> <.84%n%nTha>| 11:  END(0)
Match successful!
Freeing REx: "Total: \x{20B9} (\d+)"

让我们将带有 Matching REx 的行与您的输出进行比较：

against against "Total: %x{20b9} 131.84%n%nThanks for choosing Uber, Pradeep"
against "Total: %342%202%271%302%240131.84%n%nThanks for choosing Ube"...

我们可以看到，我的输出有 %x{e2} 等等，而你的输出有 %342。

当我开始尝试这段代码时，我忘记在我的代码中输入use utf8，所以当正则表达式引擎尝试匹配时，我得到了一堆单个字符：

%x{e2}%x{82}%x{b9}

然后它拒绝了匹配。

所以我的结论是：Perl 不知道你的输入数据是 utf8。