Foro - Perl en Español

Esta es una traducción de artículos publicados en Perl.com de las 44 recetas que Tom Christiansen creó para trabajar con Unicode en Perl 5.

Están disponibles también en la propia documentación de Perl, a partir de v5.20.2. Se accede con el comando perldoc perlunicook

An intelligible guide to Unicode in Perl 5.

• ℞ 0: Preámbulo estándar
• ℞ 1: filtro genérico de comprensión Unicode
• ℞ 2: Ajuste fino de las advertencias Unicode
• ℞ 3: Declare el fuente en UTF-8 para los identificadores y literales
• ℞ 4: Caracteres y sus números
• ℞ 5: Literales Unicode por número de carácter
• ℞ 6: Obtener el nombre de un carácter a partir de su número
• ℞ 7: Obtener el número de un carácter a partir de su nombre
• ℞ 8: Nombres de caracteres Unicode
• ℞ 9: Nombres de secuencias Unicode
• ℞ 10: Nombres de caracteres personalizados
• ℞ 11: Nombres de códigos de carácter CJK
• ℞ 12: De/codificación explícita
• ℞ 13: Decodificar los argumentos del programa en utf8
• ℞ 14: Decodificar los argumentos del programa según la codificación de la configuración regional
• ℞ 15: Declarar STD{IN,OUT,ERR} para que sean UTF-8
• ℞ 16: Declarar STD{IN,OUT,ERR} para que estén codificados según la configuración regional
• ℞ 17: Hacer la E/S por defecto a utf8
• ℞ 18: Hacer que toda la E/S y argumentos trabajen por defecto en utf8
• ℞ 19: Abrir archivo con una codificación específica
• ℞ 20: Tamaño de caja en Unicode
• ℞ 21: Comparaciones Unicode insensibles al tamaño de caja
• ℞ 22: Buscando secuencias de ruptura de línea Unicode con expresiones regulares
• ℞ 23: Obtener la categoría de un carácter
• ℞ 24: Desactivar la consideración Unicode de las clases de caracteres incorporadas
• ℞ 25: Usar propiedades Unicode en expresiones regulares con \p, \P
• ℞ 26: Propiedades de caracteres personalizadas
• ℞ 27: Normalización Unicode
• ℞ 28: Convertir valores numéricos Unicode no-ASCII
• ℞ 29: Coincidir con agrupaciones de grafemas Unicode en exp.reg.
• ℞ 30: Extraer por grafema en lugar de por código de carácter (exp.reg.)
• ℞ 31: Extraer por grafema en lugar de por código de carácter (substr)
• ℞ 32: Invertir una cadena por sus grafemas
• ℞ 33: Longitud de la cadena en grafemas
• ℞ 34: Impresión de columnas de ancho fijo en Unicode
• ℞ 35: Cotejo Unicode
• ℞ 36: Ordenación Unicode independiente del tamaña de caja y de las tildes
• ℞ 37: Cotejo Regional Unicode
• ℞ 38: Haciendo que cmp trabaje con texto en lugar de con códigos de carácter
• ℞ 39: Comparación insensible al tamaño de caja y a los diacríticos
• ℞ 40: Comparación regional insensible al tamaño de caja y a los diacríticos
• ℞ 41: Ruptura de líneas en Unicode
• ℞ 42: Texto Unicode en hash DBM, forma tediosa
• ℞ 43: Texto Unicode en hash DBM, forma fácil
• ℞ 44: PROGRAMA: Demo de cotejo Unicode e impresión
• Módulos, y final

---

℞ 0: Preámbulo estándar

A menos que se indique lo contrario, todos los ejemplos de este recetario requieren este preámbulo estándar para funcionar correctamente, con el #! ajustado a su sistema:


Esto obligará, incluso a los programadores de Unix, a hacer binmode sobre flujos binarios, o abrirlos con :raw, pero es la única forma de acceder a ellos de una forma portátil.

ATENCIÓN: use autodie (pre 2.26) y use open no se llevan bien, el uno con el otro.

Esta combinación de características pone a Perl en un conocido estado de compatibilidad Unicode y rigor estricto, para que las siguientes operaciones se comporten como se espera.

Artículo original (en inglés)

P.D.: un nuevo módulo en CPAN permite activar todo el soporte de UTF-8 de forma muy cómoda: utf8::all.

℞ 1: Filtro genérico Unicode

Unicode permite múltiples representaciones de los mismos caracteres. Comparar estas cadenas por su equivalencia (ordenar, buscar, coincidencia exacta) requiere cuidado, incluyendo una estrategia coherente y consistente para normalizar estas representaciones a formas suficientemente conocidas. Presentamos Unicode::Normalize.

Para manejar Unicode eficientemente, siempre descomponga a la entrada, y luego recomponga a la salida.

Vea el FAQ sobre Normalización Unicode para más detalles.

Artículo original (en inglés)

℞ 2: Ajuste fino de las advertencias Unicode

Es fácil equivocarse con Unicode, especialmente cuando se maneja entradas desde el usuario y tratando con múltiples codificaciones. Perl estará encantado en ayudarle a detectar condiciones inesperadas de sus datos. Perl también estará encantado de permitirle decidir si estas condiciones inesperadas merecen la pena ser advertidas.

A partir de v5.14, Perl distingue tres subclases de advertencias UTF-8. Mientras que ya existía la categoría léxica de advertencias utf8 antes de 5.14, ahora puede manejar estas advertencias individualmente:

Artículo original (en inglés)

℞ 3: Declare el código fuente en UTF-8 para los identificadores y literales

Sin poner la -siempre- criticada declaración use utf8, meter UTF-8 en sus literales e identificadores no funcionará correctamente. Si está usando el preámbulo Unicode Perl estándar (℞ 0), sí que funcionará bien. Si lo hace, puede hacer cosas como esta:


Si olvida use utf8, los bytes superiores serán malinterpretados como caracteres individuales, y nada funcionará bien. Recuerde que este pragma solo afecta a la interpretación de UTF-8 literal en su código fuente.

Artículo original (en inglés)

℞ 4: Caracteres y sus números

¿Necesita trasladar un código de carácter a un carácter o un carácter a su código de carácter? Las funciones ord y chr trabajan transparentemente con todos los códigos de carácter, no solo con ASCII, ni siquiera solo con Unicode.

(Recuerde activar el preámbulo estándar de Unicode Perl para usar UTF-8 en cadenas literales en su código fuente y para codificar la salida adecuadamente).

Artículo original (en inglés)

℞ 5: Literales Unicode por número de carácter

En un literal interpolado, bien sea una cadena de caracteres con comillas dobles, o una expresión regular, puede especificar un carácter por su número usando el escape \x{HHHHHH}.


El BMP (o Basic Multilingual Plane -Plano Básico Multlenguaje-, o Plano 0) contiene los caracteres Unicode más normales; cubre desde 0x0000 hasta 0xFFFD. Caracteres en otros planos son mucho más especializados. A menudo incluyen caracteres de interés histórico.

Use las tablas Unicode para encontrar los números de los caracteres, o vea la receta ℞ 4 para traducir caracteres a números, y viceversa.

Artículo original (en inglés)

℞ 6: Obtener el nombre de un carácter a partir de su número

Unicode le permite referirse a los caracteres por número o por nombre. A los ordenadores no les importa, pero a los humanos, sí. Cuando tenga un número de carácter, puede traducirlo a su nombre con el pragma charnames:


charnames::viacode() devuelve el nombre Unicode completo del código de carácter indicado- en el ejemplo, GREEK CAPITAL LETTER SIGMA-. Puede incluir esto como una cadena literal en su código fuente como "\N{GREEK CAPITAL LETTER SIGMA}".

Use charnames::string_vianame() para convertir un nombre Unicode al carácter Unicode correcto, en tiempo de ejecución.

Artículo original (en inglés)

℞ 7: Obtener el número de un carácter a partir de su nombre

Unicode le permite referirse a los caracteres por número o por nombre. A los ordenadores no les importa, pero a los humanos, sí. Cuando tenga un nombre de carácter, puede traducirlo a su número con el pragma charnames:


Esto es, por supuesto, lo opuesto a la receta ℞ 6.

Ver la receta ℞ 4 para traducir este número al carácter apropiado.

Artículo original (en inglés)

℞ 8: Nombres de caracteres Unicode

Use la notación \N{charname} para obtener el carácter correspondiente a ese nombre para ser usado en la interpolación de literales (dobles comillas y expresiones regulares). En v5.16, existe un implícito

Pero antes de v5.16, debe explicitar qué conjunto de caracteres quiere. Los nombres :full son los nombres, alias o secuencias de caracteres Unicode officiales, compartiendo todos el mismo espacio de nombres.

Cualquier otra cosa es una abreviatura por conveniencia específica de Perl. Especifique una o más etiquetas si quiere usar nombres abreviados.

La versión de Perl v5.16 también soporta una etiqueta :loose para poder especificar nombres de caracteres de forma difusa, que funciona como la coincidencia difusa de los nombres de propiedades, es decir, no tiene en cuanta las mayúsculas/minúsculas, espacios en blanco y guiones bajos:

(No tiene por qué usar el pragma charnames para interpolar caracteres Unicode por número dentro de los literales con la secuencia \N{...}).

Artículo original (en inglés)

℞ 9: Nombres de secuencias Unicode

Unicode incluye la característica de nombres de secuencias de caracteres, que combina múltiple caracteres Unicode bajo un solo nombre. El pragma charnames permite el uso de nombres de secuencias en literales, de la misma manera a como permite el uso de nombres de caracteres Unicode en literales (ver receta ℞ 8).

En Perl, estos nombres de secuencias aparecen como nombres de caracteres pero devuelven múltiples códigos de carácter. Fíjese en el comportamiento de la impresión de vectores %vx de printf:

Mientras cada versión de Unicode puede actualizar la lista oficial de nombres de secuencias, la última versión del archivo de datos Unicode Named Sequences está siempre disponible. Perl 5.14 soporta Unicode 6.0, y Perl 5.16 soportará Unicode 6.1.

Artículo original (en inglés)