Perl的length()函数如何计算Unicode字符数？

Question

为什么length()函数会显示4个逻辑字符（我本以为只有1个）：

$ perl -lwe 'print length("")'
4

我想我的期望有些问题。 :-) 是什么问题呢？

- jreisinger

---

关于Perl中的Unicode处理，你想知道的一切都在这里了，但你可能不敢问。 - el.pescado - нет войне

Answer 1

如果不告诉Perl脚本的源代码是utf8格式，Perl会假定为ASCII格式。这意味着默认情况下，Perl解释器将视为4个单独字符。如果您将单行命令更改为perl -Mutf8 -lwe 'print length("")'，则可以看到length函数提供所期望的输出。

utf8编译指示告诉Perl源文件以utf8而不是ASCII格式进行编码。有关更多信息，请参见perldoc utf8。

- JGNI

---

你能分享一下文档在哪里说Perl默认假定为latin1吗？ - jreisinger

@jreisinger：在“编码”预处理器指令的文档中，“字节串的隐式升级”部分有注释。也许其他地方有更好的文档资料。 - JGNI

@jreisinger，它不假定latin-1。它假定US-ASCII，使非ASCII字节保持不变。由于您提供了字节F0.9F.90.AA，Perl创建了一个等同于"\xF0\x9F\x90\xAA"创建的字符串。使用use utf8;（这是-Mutf8添加的内容），Perl代码使用utf8对源代码进行编码，因此Perl创建了一个等同于"\x{1F42A}"创建的字符串。 - ikegami

证明这不是Latin1编码：perl -MEncode -e'print encode("UTF-8", "sub f\xC9 { }")' | perl -Mutf8 可以运行，但是 perl -MEncode -e'print encode("latin1", "sub f\xC9 { }")' | perl 无法运行。 - ikegami

那是个谎言。没有进行解码。这两个字符串只是简单地连接在一起，没有假设任何语义。编码指示已被弃用（并且比那更长时间被反对），因为它对事物的工作方式或应该工作的方式有一些非常疯狂的想法。 - ikegami