Perl: problém s češtinou v regexpu

Dobrý den,
mám problém s češtinou v regulárních výrazech,
/\w/ "nesežere" některé znaky s diakritikou v kódování UTF8.

Příklad:

#!/usr/bin/perl -w

use utf8;
use locale;
use encoding 'utf-8';

binmode STDOUT, ":utf8";
binmode STDERR, ":utf8";

print "ě>$1<\n" if "ě" =~ /(\w)/;
print "š>$1<\n" if "š" =~ /(\w)/;
print "č>$1<\n" if "č" =~ /(\w)/;
print "ř>$1<\n" if "ř" =~ /(\w)/;
print "ž>$1<\n" if "ž" =~ /(\w)/;
print "ý>$1<\n" if "ý" =~ /(\w)/;
print "á>$1<\n" if "á" =~ /(\w)/;
print "í>$1<\n" if "í" =~ /(\w)/;
print "é>$1<\n" if "é" =~ /(\w)/;

Výraz /(\w)/ projde jenom pro ě,š,č,ř,ž

locales mám nastaveno na:

LANG=cs_CZ.UTF-8
LC_CTYPE="cs_CZ.UTF-8"
LC_NUMERIC="cs_CZ.UTF-8"
LC_TIME="cs_CZ.UTF-8"
LC_COLLATE="cs_CZ.UTF-8"
LC_MONETARY="cs_CZ.UTF-8"
LC_MESSAGES="cs_CZ.UTF-8"
LC_PAPER="cs_CZ.UTF-8"
LC_NAME="cs_CZ.UTF-8"
LC_ADDRESS="cs_CZ.UTF-8"
LC_TELEPHONE="cs_CZ.UTF-8"
LC_MEASUREMENT="cs_CZ.UTF-8"
LC_IDENTIFICATION="cs_CZ.UTF-8"
LC_ALL=

Někde jsem našel řešení něco jako /(\p{L})/, ale nikde jsem se nedočetl co to přesně znamená a proč to původní řešení nefunguje přestože je to uvedeno v mnoha návodech.

Díky za odpovědi

Odpovědi

Ahoj, v jenom skriptu pouzivam neco podobneho. Zkousel jsem to ted na tomhle:

#!/usr/bin/perl

use strict;
use warnings;
use utf8;

binmode STDIN, ":utf8";
binmode STDOUT, ":utf8";

my $string = "Čeština je ČESKÁ";
$string =~ /(\w+)/;
my ($result) = ($1);

print "Hledam v $string\n";
print "Nalezeno $result\n";

print "Čeština je cool!\n" if $result eq "Čeština";

Moje locales:

mira@batman:~$ env|grep LANG
LANG=en_US.UTF-8

Mně to funguje:

perl -e "use locale; print 'Yep' if ('ý' =~ /\w/)"
Yep

OS X 10.5.2, Perl 5.8.8, locale en_US.UTF-8. Možná zkus nastavit ještě LC_ALL?

RESENI

doinstaloval jsem nejaky baliky, uz nevim ktery presne zabral:


language-pack-cs

language-gnome-cs

language-support-cs

language-translate-cs

reinstaloval jsem locale

sudo apt-get install --reinstall locales

a potom to zaclo fungovat:


LC_ALL=en_US.UTF-8 perl -C -Mutf8 -e '$_="aábcčdďeěéfghiíjklmnňoópqrřsštťuúůvwxyýzž"; s/\W/-/g; print $_, "\n"'

Dotaz: Perl: problém s češtinou v regexpu

Odpovědi