勤奮的 litaocheng 同學，在每日超負荷的加班工作之余，仍然刻苦學習筆耕不輟，為我們不斷帶來勁爆文章，這一篇《Erlang的Unicode支持》為我們介紹了 R13 的最新特性，也是最被大家期望的特性——內置的 Unicode 支持。廢話少說，直接上正文。
在R13A中， Erlang加入了對Unicode的支持。本文涉及到的數據類型包括：list, binary， 涉及到的模塊包括stdlib/unicode, stdlib/io, kernel/file。
Binary
Binary的type屬性增加了utf相關的type：utf8, utf16, utf32，其分別對應UTF8， UTF16，UTF32編碼。
Binary Constructing
在Binary構建時， 如果指定了utf相關類型，那么對應的integer的Value必須位于：0..16#D7FF, 16#E000..16#FFFD, 或者 16#10000..16#10FFFF這三個區間中。否則將會提示’bad argument’，參數錯誤。根據指定的的utf類型不同，同一個數據產生的binary不同。
對于utf8，每個integer生成1到4個字符；對于utf16，每個integer生成2或4個字符；對于utf32，每個integer生成4個字符。
比如, 使用unicode為1024的字符A, 構建一個binary：
1> <<1024/utf8>>.
<<208,128>>
2> <<1024/utf16>>.
<<4,0>>
3> <<1024/utf32>>.
<<0,0,4,0>>
Binary Match
當進行Binary Match時，如果指定utf相關類型，變量成功匹配后，將擁有一個位于：0..16#D7FF, 16#E000..16#FFFD, 或者 16#10000..16#10FFFF這三個區間中的integer。
其更具utf類型的不同，消耗（match）不同數目的bytes。
- utf8匹配1－4個bytes（參考RFC-2279）
- utf16匹配2 或 4 個bytes (參考 RFC-2781）
- utf32匹配4個 bytes
比如：繼續我們上面的例子
4> Bin = <<1024/utf8>>.
<<208,128>>
5> <<U/utf8>> = Bin.
<<208,128>>
6> U.
1024
這個例子中，U匹配了2個bytes。對于utf相關類型，不能指定unit spec。
List
在list中，每個unicode字符采用integer來表示，因此與latin1的list相比，unicode list中，element的數值可以大于255。下面就是一個有效的unicode list: [1024, 1025]
我們可以通過unicode 模塊實現 list到binary的轉換。
unicode module
首先請參看下面的type定義：
unicode_binary() = binary() with characters encoded in UTF-8 coding standard
unicode_char() = integer() representing valid unicode codepoint
chardata() = charlist() | unicode_binary()
charlist() = [unicode_char() | unicode_binary() | charlist()]
a unicode_binary is allowed as the tail of the list
external_unicode_binary() = binary() with characters coded in a user specified Unicode encoding other than UTF-8 (UTF-16 or UTF-32)
external_chardata() = external_charlist() | external_unicode_binary()
external_charlist() = [unicode_char() | external_unicode_binary() | external_charlist()]
an external_unicode_binary is allowed as the tail of the list
latin1_binary() = binary() with characters coded in iso-latin-1
latin1_char() = integer() representing valid latin1 character (0-255)
latin1_chardata() = latin1_charlist() | latin1_binary()
latin1_charlist() = [latin1_char() | latin1_binary() | latin1_charlist()]
a latin1_binary is allowed as the tail of the list
我們可以調用unicode:characters_to_list/1 將chardata或latin1_chardata或external_chardata()轉化成一個unicode list。
如果參數為latin1_chardata，那么Data參數就是一個iodata. 返回的結果list中，每個element為一個integer。默認情況 unicode:characters_to_list/1調用unicode:characters_to_list(Data, unicode)
如果我們的CharData為其他類型，我們可以指明InEncoding type。如果此函數執行成功，返回{ok, List}，如果失敗返回{error, list(), RestData}， 其中list為轉化成功的部分，RestData為發生錯誤的位置。
我們也可以調用unicode:characters_to_binary/1，將chardata或latin1_chardata或 external_chardata()轉化成一個binary。這個函數和unicode:characters_to_list類似，只是結果保存為 binary。
如果Data為latin1_chardata, 那么unicode:characters_to_binary/1和 erlang:iolist_to_binary/1功能相同
unicode模塊中，還有兩個于bom相關的函數，可以根據bom指返回對應的encoding類型，也可以根據encoding類型生成對應的bom值。其在保存文件時，經常使用.
Examples
1, 打開utf8保存的文件
文件內容如下test.file:
[
｛desc, "這是一個測試文件"},
{author, "litaocheng"}
].
其格式為erlang term，保存時選擇utf8編碼。
代碼如下：
- %% read content from the file
- test1() ->
- {ok, [Terms]} = file:consult("test.txt"),
- Desc = proplists:get_value(desc, Terms),
- _Author = proplists:get_value(author, Terms),
-
- % out put the Desc and Author
- DescUniBin = iolist_to_binary(Desc),
- DescUniList = unicode:characters_to_list(DescUniBin),
- io:format("desc bin : ~ts~ndesc bin : ~p~n",[DescUniBin,DescUniBin]),
- io:format("desc list: ~ts~ndesc list: ~p~n", [DescUniList,DescUniList]).
結果：
desc bin : 這是一個測試文件
desc bin : <<232,191,153,230,152,175,228,184,128,228,184,170,230,181,139,232,
175,149,230,150,135,228,187,182>>
desc list: 這是一個測試文件
desc list: [36825,26159,19968,20010,27979,35797,25991,20214]
首先將內容從list轉換為binary, DescUniBin 便是對應的unicode binary。隨后通過unicode:characters_to_list/1轉化為unicode list最后輸出。
我們可以看到 unicode list中所有的element為integer， unicode binary中unicode string采用uft8編碼。
2, 將數據保存成uft8格式
- %% save the binary in utf8 format
- test2() ->
- [DescList] = io_lib:format("~ts", ["這是一個測試文件"]),
- DescBin = erlang:iolist_to_binary(DescList),
- DescList2 = unicode:characters_to_list(DescBin),
- List = lists:concat(["[{desc,\"", DescList2, "\"}, {author,\"litaocheng\"}]."]),
- Bin = unicode:characters_to_binary(List),
- io:format("bin is:~ts~n", [Bin]),
- file:write_file("test_out.txt", Bin).
這個例子的完整代碼如下：
- -module(unicode_test).
- -compile([export_all]).
-
- %%
- %% the test.txt content:
- %% [
- %% {desc, "這是一個測試文件"},
- %% {author, "litaocheng"}
- %% ].
- %%
-
- test() ->
- test2(),
- test1().
-
- %% read content from the file
- test1() ->
- {ok, [Term]} = file:consult("test_out.txt"),
- Desc = proplists:get_value(desc, Term),
- _Author = proplists:get_value(author, Term),
-
- % out put the Desc and Author
- DescUniBin = iolist_to_binary(Desc),
- DescUniList = unicode:characters_to_list(DescUniBin),
- io:format("desc bin : ~ts~ndesc bin : ~p~n",[DescUniBin,DescUniBin]),
- io:format("desc list: ~ts~ndesc list: ~p~n", [DescUniList,DescUniList]).
-
-
- %% save the binary in utf8 format
- test2() ->
- [DescList] = io_lib:format("~ts", ["這是一個測試文件"]),
- DescBin = erlang:iolist_to_binary(DescList),
- DescList2 = unicode:characters_to_list(DescBin),
- List = lists:concat(["[{desc,\"", DescList2, "\"}, {author,\"litaocheng\"}]."]),
- Bin = unicode:characters_to_binary(List),
- io:format("bin is:~ts~n", [Bin]),
- file:write_file("test_out.txt", Bin).
|