Dotaz: Perl a UTF-8 problémy s kódováním

[majales]

Zdravím.

Nevěděl by někdo co dělám špatně při použití perlu a modulu WWW::Mechanize? Pokud nastavím pouze use WWW::Mechanize je výstup stažené stránky zobrazen správně, ale při hledání pomocí regulárních výrazů nejsou pomocí množiny znaků \w postihnuty akcentované znaky ( ěščřžýáíéúů ).

Pokud ovšem nastavím toto:

use locale;
use utf8;
use encoding 'utf8';

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

tak jsou znaky stažené webové stránky překódované špatně. Zkoušel jsem i různé kombinace tohoto nastavení, žádná z nich ovšem nevede ke kýženému výsledku. Například znak "ž" je "C3 85" hexa místo správného "C4 8D" hexa.

Konstrukce s pomocí modulu WWW::Mechanize je následující:

my $mech = WWW::Mechanize->new( autocheck => 1 );
$mech->get( "http://zbozi.cz" );

Používám Debian Lenny.

uname -a
Linux stroj.firma.cz 2.6.26-2-686 #1 SMP Tue Mar 9 17:35:51 UTC 2010 i686 GNU/Linux

stroj:/# locale
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=en_US.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=

Nemá někdo rušení co by mohlo být špatně?

Odpovědi

[pht]

Mám rušení, že byste mohl chtít použít funkci decode nebo její wrapper v modulu Mechanize místo těch use a binmode, které v tomto případě nemají žádný vliv.

Každopádně by ale bylo lepší kdybyste ukázal nějaký konkrétní příklad (minimální program), kde něco selhává a popsal jak.

[majales]

Nemám potuchy jak použít funkci decode, v popisu WWW::Mechanize jsem podobnou funkci nenašel. Malá ukázka toho co přesně mě nefunguje:

#!/usr/bin/perl
    use WWW::Mechanize;
    use utf8;
    use encoding 'utf8';
    use locale;

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

my $mech = WWW::Mechanize->new( autocheck => 1 );
$mech->get( "http://zbozi.cz" );
my $zdroj2=$mech->content( format => 'text');

print $zdroj2;

Výsledek pak vypadá takto:

Zboží.czSlužbyInternetFirmyZbožíMapySeznamKlávesové zkratky na tomto webu -
rozšíÅ�ené Na obsah stránkyHledej:     © 1996 - 2010 Seznam.cz, a.s. Mobilní
verze - Nápov�da - Kontakt - P�idat obchod, inzertní server - Administrace 
obchodu - P�idání inzerce - mPeníze pro internetové obchody

Výsledný skript, který píšu už funguje a správně matchuje i akcentované znaky, ovšem chování tohoto skriptu zcela nerozumím.

[pht]

Stále nevím, proč tomu říkáte, že to nefunguje, protože letmým pohledem se zdá, že výstup je v utf8. Např. na mém PC, kde mám terminál pro utf8, je výsledný text normálně čitelný.

Nicméně se pokusím aspoň o pár rad. Co se týče kódování znaků, perl rozlišuje následující věci:

1) Řetězec jako sekvenci bajtů a řetězec jako sekvenci vícebajtových znaků, které jsou v nějakém interním kódování.

2) Funkce decode a encode, které převádí sekvenci bajtů v nějakém kódování na sekvenci znaků v interním kódování perlu a zpět.

3) Kódování vlastního skriptu (soubor na disku).

Uvedená kombinace use a binmode je nadbytečná, neboť:

1) use utf8 nastavuje kódování skriptu, kdybyste chtěl udělat $a="č" nebo i dokonce $č=1. to ale nepoužíváte.

2) use encoding 'utf8' nastaví (opět) kódování skriptu a kódování STDIN a STDOUT.

3) use locale nemá na znakovou sadu vůbec vliv, používá se k nastavení způsobu řazení, atd.

4) binmode STDIN/STDOUT nastaví kódování příslušných I/O kanálů.

Dále nutno podotknout, že stahovaná stránka má také nějaké kódování. Převod do interní perlovské reprezentace si ale zajistí ten modul Mechanize.

Příklad, kde je vše dobře vidět: stránka je v iso8859-2, skript (soubor na disku) je v utf8, a výstup STDOUT je pro jistotu zase iso.

#!/usr/bin/perl
use WWW::Mechanize;
use utf8;
binmode STDOUT, ':encoding(iso8859-2)';

my $mech = WWW::Mechanize->new( autocheck => 1 );
$mech->get( "http://cs.felk.cvut.cz" );          
my $zdroj2=$mech->content( format => 'text');    

print ($zdroj2 =~ /Katedra[ ]počítačů/xms ? "Dobře" : "Špatně");

Na mém PC (perl v5.10.0, konzole v utf8) je výstup takovýto:

$ ./mech.pl | od -t x1
0000000 44 6f 62 f8 65
$ ./mech.pl | iconv -f latin2 -t utf8
Dobře

Pokud se Vám bude zdát, že ještě něco nefunguje, tak zkuste napsat ten minimální program tímto způsobem (tj. vypíše "dobře" nebo "špatně").

[majales]

Mám pocit, že si úplně nerozumíme. Každopádně váš skript Dobře/Špatně mi dá tento výstup:

./mech.pl | od -t x1
0000000 a9 70 61 74 6e ec
0000006

./mech.pl | iconv -f latin2 -t utf8
Špatně

Pro ilustraci ještě připojuji výsledek dvou skriptů. ( Stránky zbozi.cz jsou kódovány v UTF8 )

První skript s utf8 a konverzí:

#!/usr/bin/perl
    use WWW::Mechanize;
    use utf8;
    use encoding 'utf8';
    use locale;

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

my $mech = WWW::Mechanize->new( autocheck => 1 );
$mech->get( "http://zbozi.cz" );
my $zdroj=$mech->content( format => 'text' );

print ((split ' ', $zdroj )[0]);
print "\n";

Toto dá výsledek:

./mech.spatne.pl
Zboží.czSlužbyInternetFirmyZbožíMapySeznamKlávesové

./mech.spatne.pl | od -t x1
0000000 5a 62 6f c3 85 c2 be c3 83 c2 ad 2e 63 7a 53 6c
0000020 75 c3 85 c2 be 62 79 49 6e 74 65 72 6e 65 74 46
0000040 69 72 6d 79 5a 62 6f c3 85 c2 be c3 83 c2 ad 4d
0000060 61 70 79 53 65 7a 6e 61 6d 4b 6c c3 83 c2 a1 76
0000100 65 73 6f 76 c3 83 c2 a9 0a
0000111

Druhý skript bez utf8 a konverze:

#!/usr/bin/perl

my $mech = WWW::Mechanize->new( autocheck => 1 );
$mech->get( "http://zbozi.cz" );
my $zdroj=$mech->content( format => 'text' );

print ((split ' ', $zdroj )[0]);
print "\n";

Toto dá výsledek:

./mech.dobre.pl
Zboží.czSlužbyInternetFirmyZbožíMapySeznamKlávesové

 ./mech.dobre.pl | od -t x1
0000000 5a 62 6f c5 be c3 ad 2e 63 7a 53 6c 75 c5 be 62
0000020 79 49 6e 74 65 72 6e 65 74 46 69 72 6d 79 5a 62
0000040 6f c5 be c3 ad 4d 61 70 79 53 65 7a 6e 61 6d 4b
0000060 6c c3 a1 76 65 73 6f 76 c3 a9 0a
0000073

[pht]

Špatně

OK, to je divné. Máte ten skript samotný v utf8? Tj.

grep Katedra mech.pl | od -t x1
0000000 70 72 69 6e 74 20 28 24 7a 64 72 6f 6a 32 20 3d
0000020 7e 20 2f 4b 61 74 65 64 72 61 5b 20 5d 70 6f c4
0000040 8d c3 ad 74 61 c4 8d c5 af 2f 78 6d 73 20 3f 20
0000060 22 44 6f 62 c5 99 65 22 20 3a 20 22 c5 a0 70 61
0000100 74 6e c4 9b 22 29 3b 0a

A jakou máte verzi perlu a modulů LWP (libwww-perl) a WWW::Mechanize?

Zboží.czSlužbyInternetFirmyZbožíMapySeznamKlávesové

Tohle vypadá jako "dvojitá utfizace", čili řetězec který už je v utf8 se interpretuje jako by byl v latin1 a ještě jednou se zakóduje do utf8. Zkuste zjistit které z těch use/binmode to způsobuje. Asi se opakuju ale jakou máte verzi perlu a uvedených modulů?

[majales]

Skript je určitě v utf8, na ten grep mám stejný výsledek jako Vy.

perl -v

This is perl, v5.10.0 built for i486-linux-gnu-thread-multi

LWP
-------------------------------------------------------------------------
        Libwww-perl
        G/GA/GAAS/libwww-perl-5.836.tar.gz
        /usr/share/perl5/LWP.pm
        Installed: 5.813
        CPAN:      5.836  Not up to date
        The libwww-perl mailing list (LWWWP)
        libwww@perl.org

LWP
-------------------------------------------------------------------------
        Libwww-perl
        G/GA/GAAS/libwww-perl-5.836.tar.gz
        /usr/share/perl5/LWP.pm
        Installed: 5.813
        CPAN:      5.836  Not up to date
        The libwww-perl mailing list (LWWWP)
        libwww@perl.org

To, že to je dvakrát omylem převedeno do utf8 mě napadlo taky, ale měl jsem za to že někde dělm nějakou triviální chybu, která lze snadno napravit. Nevím zda by toto nemohlo být způsobeno tím, že to je poměrně starý stroj, který už prošel upgrade z Woodyho přes Sarge a Etch až na Lennyho. Vyzkouším to ještě na nějaké čerstvé instalaci.

[pht]

Zkuste z cpanu (nebo jakkoliv jinak) updatovat WWW::Mechanize a LWP::UserAgent (tj libwww-perl).

[majales]

Dobrý den, Po aktualizaci WWW::Mechanize na verzi 1.62 váš skript funguje a výsledek je "Dobře".

 ./mech.pl |od -t x1
0000000 44 6f 62 f8 65
0000005

Toto jsem ovšem dělal na testovacím stroji, protože nevím jaké účinky může mít update perl modulů přes cpan na produkční stroj. Bohužel tím přestal fungovat ten můj původní, skript konkrétně konstrukce:

while ( $mech->follow_link( text => 'Další stránka' ) )
{
#něco dělej
}

Zahlásí chybu

Link not found at ./script.pl line 54

Zatím jsem k tomuto problému nikde nenašel řešení.

[ph0enix]

Produkcni prostredi by melo byt presne definovane a tak bych nedoporucoval aktualizaci serveru primo z CPANu. Stejne tak by melo byt mozne znovu postavit testovaci stroj jako kopii produkcniho systemu vcetne totoznych verzi i toho posledniho PERLoveho modulu. A to pro vsechny podporovale release vyvijeneho software. Z tohoto duvodu jsme ve firme meli lokalni CPAN mirror a vsechny vyuzivane modulyz CPANu byly zabaleny do distribucnich balicku.

[pht]

Produkcni prostredi by melo byt presne definovane

V ideálním případě tuto definici ale uděláte přes API testy, nikoliv předpisem "verze přesně 2.0.45.13".

[ph0enix]

Metoda follow_link() zavola $self->die() v pripade, ze je nastaven $self->{autocheck}. Muzete bud nastavit autocheck na 0, a nebo nejdrive testovat existenci linku (v tomto pripade se ale find_link() bude volat dvakrat, nebot jej pouziva i metoda follow_link())

while ( $link = $mech->find_link( text => 'Další stránka' ) )
{
  $mech->get( $link->url );
  #něco dělej
}