Foro - Perl en Español

Hola,

es la primera vez que publico un mensaje en el foro y quería felicitaros por la ayuda que prestáis a la gente.

Os comento el problema que tengo: me envían unos ficheros XML que, teóricamente, están en formato utf-8; cuando intento pasar el método XMLin del módulo XML::Simple y detecta acentos o caracteres raros el script me retorna error:


Os pongo un ejemplo:


He intentado diferentes formas para tratar la información pero no me funciona ninguna de ellas, os detallo:

1.


Resultado :


print() del valor por terminal :


2. He intentado también abrirlo en utf y convertirlo a iso, pero tampoco



3. Además he intentado utilizar los métodos del modulo Encode:


y


y tampoco me funciona.

Para intentar salir del paso y leyendo en el foro otro mensaje, me he creado una función para tratar la información, pero no es viable ya que no puedo modificar la información original del fichero:


Os agradecería me echarais un cable.

Gracias de antemano, un saludo.

Bienvenido a los foros de Perl en Español, coppeli.

He cargado tu línea, y la he puesto en un fichero xml, guardando el acento en formato UTF-8.

Luego, he ejecutado tu programa, que ha generado un nuevo fichero XML.

Me sale un error del XMLin() porque lo he creado con una cabecera que dice que lo que sigue está codificado en UTF-8, pero resulta que lo grabaste con codificación ISO-8859-1, la de por defecto que usa Perl, ya que no has indicado ninguna al hacer el open() de escritura. No me sale tu error, porque seguro que será debido a otra causa.

Si cambiamos la línea a

entonces no habrá problemas y obtendremos el resultado correcto:
El acento está correctamente escrito en ISO-8859-1.

De todas maneras, lo normal es que al trabajar con XML, siempre trabajemos con UTF-8, ya que es la codificación por defecto de XML.

Utilizando la opción de pragma open: pues... quitamos el Encode y la línea de la llamada a la función decode(); cambiamos la línea 5 para que sea ISO-8859-15; agregamos la línea del use open tuya y cambiamos la línea 26 por

y el resultado es el mismo.

De todas maneras... repasando la documentación de XML::Simple, recomiendan el uso de la opción OutputFile para indicar en ese momento la codificación de salida, del fichero.

Así, supongamos que el fichero sea solo esa línea de prueba que has puesto. Entonces, con el siguiente programa:

La salida sigue siendo la correcta: los acentos son transformados desde UTF-8 a la codificación interna de Perl:

Y la salida del XML, se hace con codificación ISO-8859-15:
(mi terminal está en UTF-8).

Fíjate también que no indicamos la codificación de entrada, porque XML::Simple supone que los XML siempre están en UTF-8.

Si... siempre siguiéramos la pauta de trabajar en formato UTF-8, entonces quedaría más simple:

Internamente sigue trabajando en ISO, porque así funcionarán mejor las operaciones de tratamiento de caracteres, pero a la hora de salida, al indicar un nombre de fichero a OutputFile (en lugar de un manejador de archivo), la salida la hará automáticamente a UTF8.

Todo esto también depende un poco de la versión de Perl que estés usando, claro. Lo normal es trabajar con versiones superiores a v5.8.

Hola explorer,

gracias por la respuesta. Respecto a la versión de Perl es la 5.8.3.

Te comento, he probado a realizar el cambio en la codificación a iso para la generación del nuevo fichero y funciona correctamente , este es el resultado:

fichero origen xml
21/12/2009 - 13:50:05 - ESTELA BODEGA ORTEGADESCRIPCION á é í ó ú Á É Í Ó Ú ñ Ñ « » ´

fichero destino xml
21/12/2009 - 13:50:05 - ESTELA BODEGA ORTEGADESCRIPCION á é í ó ú Á É Í Ó Ú ñ Ñ « » ´

Hasta ahí todo correcto, el problema me surge posteriormente, ya que esta información la introduzco en una base de datos y dicha información se está almacenando así:

21/12/2009 - 13:50:05 - ESTELA BODEGA ORTEGADESCRIPCION á é í ó ú Á É Í Ó Ú ñ Ñ « » ´

¿Podrías comentarme por donde tirar ahora?

Gracias de antemano, un saludo.

Las bases de datos suelen trabajar con una determinada codificación, que no sabemos, en tu caso, cuál es.

Por los datos que muestras, es claro que los ha guardado en formato UTF-8. Es posible que la base de datos, al recibir los caracteres, haya hecho una conversión.