我该如何在Perl中检查UTF-16文件名是否存在？

Question

我有一个以UTF-16编码的文本文件，每一行包含由制表符分隔的多个列。对于那些关心的人来说，该文件是iTunes的播放列表TXT导出。第27列包含文件名。

我正在Linux中使用Perl 5.8.8读取它，类似于以下代码：

binmode STDIN, ":encoding(UTF-16)";
while(<>)
{
    chomp;
    my @cols = split /\t/, $_;
    my $filename = $cols[26];   # Column #27 contains the filename
    print "File exists!" if (-e "$filename");
}

请注意：我已经缩短了这段代码片段。在我的实际代码中，我进行了一些替换，将iTunes使用的绝对Windows文件名转换为在我的Linux框中有效的文件名。

尽管文件存在，但(-e)文件测试未返回true。我认为这与字符串是UTF-16有关，但无法找出问题所在。实际的文件名仅使用ASCII字符。如果打印$filename变量，则文件名会正确打印。

Perl中的文件名可以是UTF16吗？有什么想法可以使这个代码片段工作吗？

- blt04

---

在我花费任何时间之前，my $filename =~ $cols[26]; 是什么意思？ - Sinan Ünür

抱歉 - 是一个打字错误。应该是StackOverflow上的错别字，而不是我的原始代码。问题仍然存在。 - blt04

文件名不能原生地使用UTF-16，因为UTF-16充满了零字节。现在许多Linux发行版都使用UTF-8，所以这将是第一个尝试的编码方式。 - bobince

Answer 1

UTF-16文本通过:encoding层进行处理。当它进入$_时，无法确定它曾经是UTF-16。我认为这不是你的问题。

我猜你的文件名中可能有一些空格（当你尝试打印它时没有注意到），或者你所在的目录并非你认为的那个目录。

试试：

if (-e $filename) { print "File exists!" } 
else { print "File <$filename> not found" }

仔细检查文件名。您还可以使用Cwd;并打印出当前目录。

- cjm

---

感谢cjm：在我发布我的解决方案后，我看到了这个，但你是正确的。 - blt04

Answer 2

我找到了解决方案：

第27列是最后一列，文件采用0d0a（\r\n）行尾符进行编码。chomp只能删除0a（\n），我不确定为什么之前没有发现这一点，但它与UTF16无关。

添加以下内容：

s/\r$//;

经过chomp处理，问题得以解决。

非常感谢你的帮助，很抱歉让你走了一条兔子洞。

- blt04

---

你也可以尝试使用:crlf:encoding(UTF-16)，不过我从未尝试过在UTF-16中使用:crlf，所以我不确定是否有效。我只在单字节编码中使用过:crlf。 - cjm

Answer 3

如果像你所说的那样，实际文件名只使用ASCII字符，那么...

$filename =~ s/\0//g;

工作？无论如何，xxd应该有助于下次遇到类似情况时。

[sinan@archardy ~]$ xxd /mnt/c/Documents\ and\ Settings/sinan/Desktop/test.txt
0000000: fffe 2f00 6800 6f00 6d00 6500 2f00 7300  ../.h.o.m.e./.s.
0000010: 6900 6e00 6100 6e00 2f00 7400 6500 7300  i.n.a.n./.t.e.s.
0000020: 7400 6d00 6500 2e00 7400 7800 7400 0d00  t.m.e...t.x.t...
0000030: 0a00                                     ..

我看到你已经在我创建测试文件并重新启动Linux的时间内解决了你的问题。哦，好吧。

- Sinan Ünür

---

你可能会认为它会起作用，但实际上并没有。-e 仍然返回 false。为了测试我的代码的其余部分，我尝试在 Perl 文件中硬编码一个文件名，并且它可以工作。即使使用您的空值替换建议从 iTunes UTF16 文件中读取也不起作用。 - blt04

在进行空值替换之前，请尝试使用utf8:downgrade($filename)。 - Inshallah

好的，让我们来调试一下，看看$filename里面实际上是什么，逐字节地。 - bobince

再次感谢Sinan。当我通过xxd更仔细地查看时，最终看到了0d0a。 - blt04