NAME

Octets::To::Unicode - модуль утилит для распознавания кодировки текста (в том числе в файлах) и его декодирования

VERSION

0.01

SYNOPSIS

use Octets::To::Unicode;

my $unicode = decode "Стар Трек";
my ($unicode, $encoding) = decode "Стар Трек";
my $unicode = decode $octets_in_cp1251_or_maybe_in_utf8, [qw/cp1251 utf-8/];

my $encoding = detect $octets;
my $encoding = detect $octets, [qw/cp1251 utf-8/];

my ($file_text_in_unicode, $encoding) = file_decode "path/to/file", ["cp1251", "koi8-r"];
file_encode "path/to/file2", "koi8-r", $file_text_in_unicode;

Использование утилит:

# Отформатировать указанные файлы perltidy:
$ ru-perltidy file1 file2

# Указать кодировку:
$ ru-perltidy file1 file2 -e utf-8,cp1251

# Форматирует только изменённые файлы в репозитории git:
$ ru-perltidy

# Форматирует изменённые файлы в ветке (на случай, если забыл отформатировать перед комитом):
$ ru-perltidy --in-branch

# Указать расширения файлов:
$ ru-perltidy --ext 'pl,pm,'

# Перевести файлы во временные в кодировке utf-8 (в /tmp) и после выполнения команды и их изменения переписать обратно в определён
ной кодировке:
# (тут $1 - первый файл, $2 - второй и т.д., $* - все файлы через пробел. Так же работают подстановки ${1} и т.д.)
$ ru-utf8 file1 file2 -c 'perltidy $1 -st > $2'

DESCRIPTION

Пакет включает в себя утилиты:

ru-perltidy — форматирует файлы через perltidy c определением их кодировки;
ru-utf8 — переводит файлы во временные (в кодировке utf-8), выполняет указанную команду и переписывает обратно в определённой кодировке;

и модуль perl:

Octets::To::Unicode — модуль c функциями определения кодировки текста и его конвертирования между кодировками.

Octets::To::Unicode предоставляет необходимое множество утилит для определения кодировки текста и его декодирования, а так же — работы с файлами.

В 2000-х определилась тенденция переводить проекты в национальных кодировках в utf-8. Однако не везде их перевели одним махом, а решили рубить собаке хвост постепенно. В результате во многих проектах часть файлов c кодом в utf-8, а часть — в национальной кодировке (cp1251, например).

Ещё одной проблемой могут служить урлы с эскейп-последоваительностями. Например, https://ru.wikipedia.org/wiki/Молчание#Золото преобразуется в мессенджере, куда эту ссылку можно скопировать, в https://ru.wikipedia.org/wiki/%D0%9C%D0%BE%D0%BB%D1%87%D0%B0%D0%BD%D0%B8%D0%B5#%D0%97%D0%BE%D0%BB%D0%BE%D1%82%D0%BE. Причём один мессенджер переведёт русские символы в utf-8, другой — в cp1251, третий — в koi8-r.

Чтобы решить эти две проблемы в приложениях и был написан этот модуль.

SUBROUTINES/METHODS

bohemy

$num = bohemy $unicode;

Возвращает числовую характеристику похожести текста на русский.

Алгоритм основан на наблюдении, что в русском языке слово начинается на прописную или строчную букву, а затем состоит из строчных букв.

Таким образом, числовая характеристика, это сумма длин русско-похожих слов с разницей суммы длин русско-непохожих.

Принимает параметр:

$unicode

Текст в юникоде (с взведённым флажком utf8).

decode

$unicode = decode $octets, $encodings;
($unicode, $encoding) = decode $octets, $encodings;

Возвращает декодированный текст в скалярном контексте, а в списочном, ещё и определённую кодировку.

Если ни одна из кодировок не подошла, то вместо юникода в первом параметре возвращаются октеты, а вместо кодировки - undef:

($octets, $encoding_is_undef) = decode $octets, [];

Принимает параметры:

$unicode

Текст в юникоде (с взведённым флажком utf8).

$encodings

Cписок кодировок, которыми предлагается попробовать декодировать текст.

Необязательный. Значение по умолчанию: [qw/utf-8 cp1251 koi8-r/].

detect

$encoding = detect $octets, $encodings;

Возвращает определённую кодировку или undef.

Параметры такие же как у "decode".

file_find

@files = file_find $path_to_directory;

Ищет файлы в директориях рекурсивно и возвращает список путей к ним.

Принимает параметр:

$path_to_directory

Путь к файлу или директории. Если путь не ведёт к директории, то он просто возвращается в списке.

file_read

$octets = file_read $path;

Считывает файл.

Возвращает текст в октетах.

Выбрасывает исключение, если открыть файл не удалось.

Принимает параметр:

$path

Путь к файлу.

file_write

file_write $path, $octets_or_unicode;

Перезаписывает файл строкой.

Ничего не возвращает.

Выбрасывает исключение, если открыть файл не удалось.

Принимает параметры:

$path

Путь к файлу.

$octets_or_unicode

Новое тело файла в октетах или юникоде.

file_decode

$unicode = file_decode $path, $encodings;
($unicode, $encoding) = file_decode $path, $encodings;

Возвращает декодированный текст из файла в скалярном контексте, а в списочном, ещё и определённую кодировку.

Если ни одна из кодировок не подошла, то вместо юникода в первом параметре возвращаются октеты, а вместо кодировки - undef:

($octets, $encoding_is_undef) = file_decode $path, [];

Принимает параметры:

$path

Путь к файлу.

$encodings

Cписок кодировок, которыми предлагается попробовать декодировать текст.

Необязательный. Значение по умолчанию: [qw/utf-8 cp1251 koi8-r/].

file_encode

file_encode $path, $encoding, $unicode;

Переписывает текст в файле в указанной кодировке.

Принимает параметры:

$path

Путь к файлу.

$encoding

Кодировка в которую следует перевести параметр unicode перед записью в файл.

$unicode

Новый текст файла в юникоде (с установленным флажком utf8).

INSTALL

Установить можно любым менеджером perl со CPAN, например:

$ cpm install -g Octets::To::Unicode

DEPENDENCIES

Зависит от модулей:

  • Getopt::Long

  • Encode

  • List::Util

  • Pod::Usage

  • Term::ANSIColor

и от perltidy опционально:

  • Perl::Tidy

RELEASE

Релиз на CPAN осуществляется так:

Обновить исходники:
$ git pull
Отредактировать файл __Changes__.

В файле __Changes__ нужно написать список изменений, которые вошли в этот релиз.

Изменения записываются в виде списка, одно изменение — один элемент списка. Элементы списка обозначаются символами тире `-`.

Список с изменениями нужно разместить между строкой `{{$NEXT}}` и строкой с предыдущим релизом.

Допустим, предыдущий релиз был 1.71. Тогда описание изменений нового релиза будет выглядеть так:

{{$NEXT}}
 
	- RU-5 Какой-то тикет, который вошел в релиз.
	- RU-6 Ещё один тикет, вошедший в релиз.
 
1.71 2021-05-07T08:52:18Z
 
	- RU-4 Какой-то предыдущий тикет.

Обратите внимание — у нового релиза пока нет версии. Версия будет вычислена Миниллой при выполнении релиза и автоматически вписана в файл CHANGES вместо метки C<{{$NEXT}}>.
Активировать локальную библиотеку:
$ cpanm --local-lib=~/perl5 local::lib && eval $(perl -I ~/perl5/lib/perl5/ -Mlocal::lib)

Это нужно, чтобы не выполнять релиз под рутом.
Выполнить релиз:
$ minil release

В процессе Минилла задаст несколько вопросов, в частности предложит выбрать номер новой версии.

Обычно на все вопросы нужно отвечать кнопкой "enter". Иначе лучше прервать процесс и внести изменения в конфигурационные файлы.

AUTHOR

Yaroslav O. Kosmina <darviarush@mail.ru>

LICENSE

GPLv3