燈明ブログ

現状は小池啓仁の応援ブログ

Win上で漢字変換し、それをLinuxに持っていく

◆ プロローグ

えーと、まずはじめに、Perlで漢字処理をするには、ソースコードを utf8 で書くのが基本です。
しかし、Windowsだと、なかなかそうできないケースがあったりします・・・。
以下は、ソースコードを shiftjis で書いています。

◆ 本題

Linuxでの漢字コードは、昔は euc ですが、今は utf8 です。
また、改行コードは、昔から FL です。


たとえば、データをWin上で処理した後に、Linuxに持っていく場合があるとします。
その時は、Win上で漢字コードを utf8 か、または euc にして、改行コードを FL にしないとなりません。
以下は、そんな時のためのサンプルです。ソースコードは shiftjis で書いています。

use strict;
use warnings;
use encoding 'shiftjis';

my $fileBody = "aaaちゃいちゃん\nbbb\nヒロ\nccc\n";

open my $fh, '>', 'test_euc.txt' or die "Error ($!)";
binmode $fh;
binmode $fh, ':encoding(euc-jp)';
print $fh $fileBody;
close $fh;

open  $fh, '>', 'test_utf8.txt' or die "Error ($!)";
binmode $fh;
binmode $fh, ':encoding(utf8)';
print $fh $fileBody;
close $fh;

open  $fh, '>', 'test_sjis.txt' or die "Error ($!)";
binmode $fh, ':encoding(shiftjis)';
print $fh $fileBody;
close $fh;

補足1

test_euc.txtとtest_utf8.txtでbinmodeを2回呼んでいるのは、1回目が改行をLF出力指定にし、2回目が漢字変換指定です。

補足2

尚、上記サンプルでの『encoding 'shiftjis'』指定は、ファイル出力系のデフォルト漢字コードを utf8 にしてしまいます。
なので、今まで shiftjis で出力していた思いがけないところが、いきなり utf8 になって、あせったりします。
他に影響がないようにするには、以下のように文字列だけを変換すると吉かもしれません。

use strict;
use warnings;
use Encode qw(from_to);

my $fileBody = "aaaちゃいちゃん\nbbb\nヒロ\nccc\n";
open my $fh, '>', 'test_euc.txt' or die "Error ($!)";
binmode $fh;
from_to $fileBody, 'shiftjis', 'euc-jp';
print $fh $fileBody;
close $fh;

$fileBody = "aaaちゃいちゃん\nbbb\nヒロ\nccc\n";
open  $fh, '>', 'test_utf8.txt' or die "Error ($!)";
binmode $fh;
from_to $fileBody, 'shiftjis', 'utf8';
print $fh $fileBody;
close $fh;

$fileBody = "aaaちゃいちゃん\nbbb\nヒロ\nccc\n";
open  $fh, '>', 'test_sjis.txt' or die "Error ($!)";
print $fh $fileBody;
close $fh;

補足3

euc-jp と utf8 と shiftjisは、少なくとも英数字は、各々と同じコードです。
漢字コードのところが、各々で定められて違うのです。ちなみにUTF-16は、英数字のコードも異なります。
また、改行コードは、Linux系が FL(\x0a) で、Windows系は CRLF(\x0d\x0a) です。ちなみにMac系は CR(\x0d) とのことです。

◆ エピローグ

ただし、あくまでも、漢字を扱う時の基本は、ソースコードを utf8 で書くことですよ!
ではなぜ、ソースコードを utf8 で書くことが推奨なのでしょうか・・・。
それは、正規表現での漢字のパターンマッチが、ちゃんとできるようになるからです。
ソースコードを utf8 で書いて、『use encoding 'utf8';』指定することにより、漢字をバイト列でなく、文字列とみなしてくれるのです。
euc-jp や shiftjisは、漢字をバイト列とみなしているので、漢字同士の境界で誤認識したり、shiftjisなどは、漢字コードがアスキーコードとかぶっていたりするのです。


以下は、ソースコードを utf8 にしてみました。

use strict;
use warnings;
use encoding 'utf8';

my $fileBody = "aaaちゃいちゃん\nbbb\nヒロ\nccc\n";

open my $fh, '>', 'test_euc.txt' or die "Error ($!)";
binmode $fh;
binmode $fh, ':encoding(euc-jp)';
print $fh $fileBody;
close $fh;

open  $fh, '>', 'test_utf8.txt' or die "Error ($!)";
binmode $fh;
binmode $fh, ':encoding(utf8)';
print $fh $fileBody;
close $fh;

open  $fh, '>', 'test_sjis.txt' or die "Error ($!)";
binmode $fh, ':encoding(shiftjis)';
print $fh $fileBody;
close $fh;