Perl從5.6開始已經(jīng)開始在內(nèi)部使用utf8編碼來表示字符，也就是說對中文以及其他語言字符的處理應(yīng)該是完全沒有問題的。我們只需要利用好Encode這個模塊便能充分發(fā)揮Perl的utf8字符的優(yōu)勢了。

下面就以中文文本的處理為例進(jìn)行說明，比如有一個字符串"測試文本"，我們想要把這個中文字符串拆成單個字符，可以這樣寫：

use Encode;
$dat="測試文本";
$str=decode("gb2312",$dat);
@chars=split //,$str;
foreach $char (@chars) {
print encode("gb2312",$char),"\n";
}

結(jié)果大家試一試就知道了，應(yīng)該是令人滿意的。

這里主要用到了Encode模塊的decode、encode函數(shù)。要了解這兩個函數(shù)的作用我們需要清楚幾個概念：

1、Perl字符串是使用utf8編碼的，它由Unicode字符組成而不是單個字節(jié)，每個utf8編碼的Unicode字符占1~4個字節(jié)（變長）。

2、進(jìn)入或離開Perl處理環(huán)境（比如輸出到屏幕、讀入和保存文件等等）時不是直接使用Perl字符串，而需要把Perl字符串轉(zhuǎn)換成字節(jié)流，轉(zhuǎn)換過程中使用何種編碼方式完全取決于你（或者由Perl代勞）。一旦Perl字符串向字節(jié)流的編碼完成，字符的概念就不存在了，變成了純粹的字節(jié)組合，如何解釋這些組合則是你自己的工作。

我們可以看出如果想要Perl按照我們的字符概念來對待文本，文本數(shù)據(jù)就需要一直用Perl字符串的形式存放。但是我們平時寫出的每個字符一般都被作為純ASCII字符保存（包括在程序中明文寫出的字符串），也就是字節(jié)流的形式，這里就需要encode和decode函數(shù)的幫助了。

encode函數(shù)顧名思義是用來編碼Perl字符串的。它將Perl字符串中的字符用指定的編碼格式編碼，最終轉(zhuǎn)化為字節(jié)流的形式，因此和Perl處理環(huán)境之外的事物打交道經(jīng)常需要它。其格式很簡單：
$octets = encode(ENCODING, $string [, CHECK])

$string：　　Perl字符串
encoding：　是給定的編碼方式
$octets:　　是編碼之后的字節(jié)流
check:　　　表示轉(zhuǎn)換時如何處理畸變字符（也就是Perl認(rèn)不出來的字符）。一般不需使用

編碼方式視語言環(huán)境的不同有很大變化，默認(rèn)可以識別utf8、ascii、ascii-ctrl、
iso-8859-1等。

decode函數(shù)則是用來解碼字節(jié)流的。它按照你給出的編碼格式解釋給定的字節(jié)流，將其轉(zhuǎn)化為使用utf8編碼的Perl字符串，一般來說從終端或者文件取得的文本數(shù)據(jù)都應(yīng)該用decode轉(zhuǎn)換為Perl字符串的形式。它的格式為：

$string = decode(ENCODING, $octets [, CHECK])
$string、ENCODING、$octets和CHECK的含義同上。

現(xiàn)在就很容易理解上面寫的那段程序了。因為字符串是用明文寫出的，存放的時候已經(jīng)是字節(jié)流形式，喪失了本來的意義，所以首先就要用 decode函數(shù)將其轉(zhuǎn)換為Perl字符串，由于漢字一般都用gb2312格式編碼，這里decode也要使用gb2312編碼格式。轉(zhuǎn)換完成后Perl 對待字符的行為就和我們一樣了，平時對字符串進(jìn)行操作的函數(shù)基本上都能正確對字符進(jìn)行處理，除了那些本來就把字符串當(dāng)成一堆字節(jié)的函數(shù)（如vec、 pack、unpack等）。于是split就能把字符串切成單個字符了。最后由于在輸出的時候不能直接使用utf8編碼的字符串，還需要將切割后的字符用encode函數(shù)編碼為gb2312格式的字節(jié)流，再用print輸出。

最新評論