如何在 perl 正则表达式替换命令中使用 unicode 字符？

Question

这在使用 unicode 字符时不起作用（在 Ubuntu bash 中）：

$ perl -pC -e's/[à]/a/gu' <<< 'à'
à
$ perl -pC -e's/[b]/a/gu' <<< 'b'
a

即使 PCRE 似乎支持它（至少根据regex101）。

我做错了什么？我在 perl 命令中缺少一些标志吗？

这在 javascript 中“正常工作”，所以如果我能在命令行中为此提供一个简单的单行器，我会使用 node ......但我仍然想知道为什么 perl 命令不起作用。

---

对于上下文：

我正在尝试使用 /[àâáãä]/a/g、/[òôóõö]/o/g 等替换来关联字典文件（即删除单词列表的重音等），因此我可以使用它来进行拼写检查重音-不敏感（例如在 IntelliJ Idea 中）。

基本上这些是制作“asciified”额外字典的步骤：

1. 下载该语言的 .dic 文件（所有单词的列表）
2. 使用 grep 过滤包含非 ascii/可替换字符的单词
3. 连续使用正则表达式替换以使单词不区分重音
4. 在 IDE 中导入 asciified .dic 文件（标准语言词典除外）

Answer 1

一种实用的方法是使用Text::Unidecode

perl -C -MText::Unidecode -pe'unidecode($_)'  <<< 'à'

打印a。该模块将 Unicode 文本转译为纯 ASCII。

另一种方法：使用Unicode::Normalize 分解字符（“规范化”），使字符及其diacritical marks（组合重音符号）分离成它们自己的代码点，同时它们仍然形成有效的grapheme，然后使用简单的正则表达式删除变音符号（\p{NonspacingMark} 或 \p{Mn}）。

这两种方式都会有例外和极端情况，但我认为它可能只是满足您的需要。

---

对于包含特定（文字）字符的代码，需要通过utf8 pragma 和use utf8; 或命令行标志-Mutf8 告诉Perl 程序源是UTF-8

perl -C -Mutf8 -pe's/[à]/a/g' <<< 'à'

Answer 2

您需要添加-Mutf8 来告诉 Perl 程序是使用 UTF-8 而不是 ASCII 编码的。

$ perl -pC -Mutf8 -e's/[à]/a/gu' <<< 'à'
a

Answer 3

简短的回答是将-Mutf8 添加到您的命令行。

如果您不确定 Perl 是如何解释您在命令行中编写的内容，您可以使用核心 B::perlstring() 函数将其返回给您，或者使用 B::Deparse 解析整个脚本。那将真正快速地说明您的问题。 （用方括号括起来的 'à' 字符在这里没有任何作用。）

$ perl -MO=Deparse -pC -e 's/à/a/gu' <<< 'à'

LINE: while (defined($_ = <ARGV>)) {
    s/\303\240/a/gu;
}
continue {
    die "-p destination: $!\n" unless print $_;
}
-e syntax OK

看看你的替换如何巧妙地包含 2 个字符？

然后您可以立即看到use utf8 如何解决您的问题。

$ perl -MO=Deparse -Mutf8 -pC -e 's/à/a/gu' <<< 'à'

use utf8;
LINE: while (defined($_ = <ARGV>)) {
    s/\340/a/gu;
}
continue {
    die "-p destination: $!\n" unless print $_;
}
-e syntax OK

您可以使用perlstring() 来确保 Perl 正在接收您认为的输入。

$ perl -p -MB -E 'say B::perlstring($_)' <<< 'à'
"\303\240\n"
à

$ perl -pC -MB -E 'say B::perlstring($_)' <<< 'à'
"\x{e0}\n"
à

你可以看到，没有-C，Perl 正在接收 2 个分解的字符。

根据具体情况，Perl 将字符转储为八进制代码 (\340) 或十六进制代码 (\xE0)。请注意，您始终可以将命令行中的原始 unicode 字符替换为转义码版本。这是一个很好的方式来明确什么否则会模棱两可。

$ perl -pC -e 's/[\xE0]/a/gu' <<< 'à'
a

如果您不想记住 UTF8 模式，可以将这些选项放入 PERL5OPT 环境变量中或创建一个 shell 别名。小心把它变成全球性的！

$ export PERL5OPT='-C -Mutf8'
$ perl -MO=Deparse -p -e 's/à/a/gu' <<< 'à'

use utf8;
LINE: while (defined($_ = <ARGV>)) {
    s/\340/a/gu;
}
continue {
    die "-p destination: $!\n" unless print $_;
}
-e syntax OK

$ perl -MB -p -E 'say B::perlstring($_)' <<< 'à'
"\x{e0}\n"
à

或作为 shell 别名。

alias uperl='perl -C -Mutf8'

有关如何使用 Swiss Army 电锯命令行的更多信息，请参阅 perlrun。

另见B::Deparse。

Answer 4

以下是我实施第 2 步和第 3 步的方法。
这可以在例如these 字典中使用（尽管我没有在每种语言上都对其进行测试）。

asciify-dic

#!/usr/bin/env bash
#License: "Zero-Clause BSD" <https://opensource.org/licenses/0BSD>
if [[ "$1" == "--help" ]]; then
  echo "Usage: $(basename "$0") INPUT_FILE > OUTPUT_FILE"
  echo "Asciify a .dic file (list of dictionary words)."
  echo ""
  echo "Generates a file with ASCII-only versions of the words that have non-ASCII chars."
  echo "These additional words can be used to make spell-checking accent-insensitive."
  echo "Comment lines beginning with % are left unchanged."
  exit
fi
# Filter words containing non-ascii characters, except in comments
grep -P '^\%|[^\x00-\x7F]' $1 |
# Make words accent-insensitive, except in comments
perl -C -MText::Unidecode -pe'next if /^\s*%/;unidecode($_)' |
# Remove duplicate lines, except in comments
awk '/^\s*%/||!seen[$0]++'

示例用法：

asciify-dic $DIC_NAME.dic > $DIC_NAME-asciified.dic