K ódování znaků

1. Kódování znaků • vnitřní reprezentace znaků v paměti počítače pomocí čísel • zobrazení mezi písmeny (pro lidi) a čísly (pro počítače) • Zpočátku jen pro angličtinu, tj. stačilo 7 bitů • ASCII - American Standard Code for Information Interchange • řídicí znaky • písmena anglické abecedy • znaménka (<>;:"/, apod.)

2. ASCII American Standard Code for Information Interchange

3. Neviditelné znaky ASCII • Prvních 32 znaků tabulky – řídicí znaky • Původně pro řízení dálnopisu nebo tiskárny Nejčastěji používané speciální znaky: • SPC space, mezera, „prázdný znak“ • HT Horizontal Tab - tabulátor • LF Line Feed- odřádkování • CR Carriage Return - návrat vozíku • BS Back Space

4. ASCII – začátek tabulky

5. ASCII nestačí - kódové stránky • jen 7 bitů, pro angličtinu bez problémů • osmý bit se využil „živelně“ pro národní abecedy – různé znakové sady, např. čeština: • ISO Latin2, • Windows 1250, • Kamenických, ... • Prvních 7 bitů VŽDY stejné, tj. ASCII • „code page”, česky: • kódová stránka, kódování, znaková sada

6. Norma ISO 8859 • Latin-1 • zaopatří většinu západoevropských jazyků • přidáno 96 písmen • kódování Windows-1252 dalších 27 • Latin-2 – • pro středoevropské a východoevropské jazyky (ne azbuka) • jen částečně kompatibilní s Latin-1 • Latin-3, Latin-4, Latin-5, … Latin-10

7. Kódové stránky nestačí - Unicode • Problémy: • Více znaků v 1 dokumentu • Převod mezi kódovými stránkami • Přenositelnost textů • Unicode „The Unicode Standard is a character coding system designed to support the worldwide interchange, processing, and display of the written texts of the diverse languages and technical disciplines of the modern world. In addition, it supports classical and historical texts of many written languages.“

8. Unicode Standard • Zodpovědný za interpretaci znaků • Nedefinuje grafickou podobu znaků • Prvních 128 znaků je ASCII • Prvních 256 znaků ze sady ISO Latin 1 • Jednoznačné pojmenování každého znaku • Znaky se mohou (jenom) přidávat – stabilita

9. How Many Different Characters? a A à á â ã ä å ā ă ą a aaaaaaaaa a

10. Unicode • Každému znaku je přiřazen • název • číselný kód, tzv. „code point“, např. A je U+0041 • Celkem 1 114 112 znaků s kódy 016 až 10FFFF16 • 17 částí, každý o velikosti 216 • První část = Basic Multilingual Plane (BMP) • obsahuje znaky běžně používaných abeced

11. Unicode a jeho kódování • UTF-32 • všechnyznakyve 4 bytech • Výhoda: stejná délka všech znaků • Nevýhoda: plýtvání místem • UTF-16 • kompromismeziúsporností a kompaktností • nejčastějšíznaky(BMP) ve2 bytech, ostatníve4

12. UTF-8 • Unicode Transformation Format-8. • ASCII znaky (code points 0-127) mají stejný kód, • tj. jen v 1 bytu, (v Americe si toho vůbec nevšimnou) • ostatní znaky ve 2 až 6 bytech

13. UTF-8 příklady

14. Kódování, konverze • Každá aplikace pracující s textem musí bezpodmínečně vědět, v jakém kódování je text zapsán • Jinak se kódy špatně interpertují - i zobrazí • Konverze mezi kódováními • existuje-li příslušný znak v obou kódováních – OK • neexistuje-li – zobrazí se např. jako ?, nebo �, nebo jiný znak, nebo se vypíše kód, ... • příkaz iconv

15. Nastavení kódování - locale(s) • je soubor jazykových, národních a kulturních pravidel, jako jsou znaková sada, formáty data, času a měny, pravidla pro abecední třídění, a také jazyk zpráv a uživatelského prostředí vůbec. • Locale je třeba napřed nastavit v shellu. • Důležité proměnné prostředí pro správné zobrazení češtiny: • LC_ALL – nastaví všechno najednou • LC_kategorie – nastaví konkrétní kategorii • LANG – použije se, není-li nastavena kategorie

16. LC_kategorie LC_kategorienastavují jednotlivé kategorie. Standardníjsou tyto: • LC_COLLATE (pravidla třídění), • LC_CTYPE (vlastnosti znaků, malá a velká písmena), • LC_MONETARY (formát měny), • LC_NUMERIC (formát čísel), • LC_TIME (formát data a času), • LC_MESSAGES (jazyk zpráv a uživatelského rozhraní).

17. Jak nastavit UTF-8 • Příkaz less • proměnná LESSCHARSET • hodnota: "utf-8" (místo "ascii", "latin1", ...) • Perl • proměnná PERL_UNICODE • hodnota: SAD

18. Proměnná PERL_UNICODE • Musí být nastavena na SAD: • S … STDIN, STDOUT i STDERR budou v UTF-8 • D … všechny vstupy i výstupy budou otevřeny v UTF-8 • A … prvky pole @ARGV se interpretují jako řetězce v kódování UTF-8 • Lze zadat i přepínačem -C na 1. řádce skriptu: #!/usr/bin/perl -CSAD use utf8;

19. Nastavení proměnné prostředí v shellu • bash: export VARIABLENAME="value" bez mezer! • csh/tcsh: setenv VARIABLENAME "value" • Zobrazení hodnoty proměnné: echo $VARIABLENAME echo $SHELL echo $LC_ALL

20. Nastavení proměnné prostředí v shellu • bash: export LESSCHARSET="utf-8" bez mezer! • csh/tcsh: setenv LESSCHARSET "utf-8"

21. Nastavení locales de_DE.utf8@euro • Obecný formát hodnot: jazyk[_teritorium[.znaková_sada]][@modifikátor] • Pro češtinu: • Nebo alias: cs_CZ.ISO-8859-2 cs_CZ.UTF-8 czech • bash: export LC_ALL="cs_CZ.ISO-8859-2" • csh/tcsh: setenv LC_ALL "cs_CZ.ISO-8859-2"

22. Další příklady locales de_DE.utf8@euro • Obecný formát hodnot: jazyk[_teritorium[.znaková_sada]][@modifikátor] • Pro angličtinu • jich je několik, např: en_US.UTF-8 • en_NZ.UTF-8 • Pro němčinu: de_DE.UTF-8 de_DE.UTF-8@euro

23. Problémy s češtinou Je-li kódování nastaveno „špatně“, potom: • Znaky s diakritikou se ne vždy považují za alfanumerické znaky • Vadí to nejen při zobrazování, ale i při • třídění • vyhodnocování regulárních výrazů (později) • převodu na velká / malá písmena • ... • Je třeba použít use locale; • Nefunguje dobře pro UTF-8 !!! ... viz dále

24. Otevírání souborů 2 způsoby • pro čtení (vstupnísoubor) open(VSTUP,“pearl.txt"); Lzeotevřítvícesouborů pro čtení. • pro výpis (výstupnísoubor) open(OUT,">/export/home/martin/prijmeni.out"); open(OUT,">>/export/home/martin/prijmeni.out"); Lzeotevřítvícesouborů pro výpis.

25. Unicode Třeba explicitně uvést, že pracujeme v kódování UTF-8: #!/usr/bin/perl -CSAD use utf8; Otevírání textových souborů v kódování UTF-8: • open(VSTUP, "<:utf8" , "pearl.txt"); • open(OUT, ">:utf8", "prijmeni.out"); • open(OUT, ">>:utf8", "prijmeni.out"); • Je-li nastaveno#!/usr/bin/perl -CSAD nebo proměnná PERL_UNICODE, není třeba 2.argument

26. Ovladač souboru (filehandle) • Standardní – vždy k dispozici • STDIN • STDOUT • STDERR – výpischyb • Ostatní je třebaexplicitněotevřítpomocí funkce open([ovladačsouboru],[mode],[jménosouboru]); • Ovladačsouboru se tradičněpíševelkýmipísmeny • Zavíránísouboru: close([ovladačsouboru]);

27. Testování souborů • Otevření souboru může být problematické => testy -r soubor lze číst -w do souboru lze zapisovat -x soubor je spustitelný -e soubor existuje -f jde o soubor -d jde o adresář -z soubor má nulovou délku -s soubor má nenulovou délku if(! (–e "soubor")) { open(S,">soubor") } if(-s "vstup" and -r "vstup") { open(V,"vstup") }

28. Příkaz die • Perlovský idiom: • open(SOUBOR,"s.txt") or die "Soubor s.txt nejde otevřít."; • dieukončí program a vypíše hlášku na STDERR. • Co to znamená? Umíte to zapsat jinak? • Speciální proměnná $! pro výpis chybových hlášek: • open(SOUBOR,"s.txt") or die "Problém: $!\n"; • Když se neotevře soubor, vypíše se např. • Problém: Permission denied.

29. Čtení ze souboru Příklad open(VSTUP,"pearl.txt"); $prom = <VSTUP>; # do $prom se uloží 1. řádek ze souboru "pearl.txt" my $cislo_radku = 1; while(<VSTUP>) # totéž jako while($_ = <VSTUP>) { print $cislo_radku++, " ", $_; } close VSTUP;

30. Zápis do souboru • Do příkazu print napíšeme ovladač souboru, do kterého se má zapisovat • print VYSTUP "toto se zapíše do výstupního souboru.\n"; • Nezapíše-li se ovladač, zapisuje se do STDOUT • print "toto se zapíše na standarní výstup.\n"; • totéž jinak (většinou): • print STDOUT "toto se zapíše na standarní výstup.\n"; Tady není čárka !!!

31. Zápis do více souborů (ne najednou) • Lze otevřít více souborů a zapisovat pokaždé do jiného • např. ladicí tisky na STDOUT nebo do zvláštního jiného souboru (např. LOG), ostatní výstupy do výstupního souboru open(LOG,">log.txt"); open(VYSTUP,">ven.txt"); print LOG "toto se zapíše do souboru log.txt.\n"; print VYSTUP "toto se zapíše do souboru ven.txt.\n"; • Ale máme i příkaz select: • select LOG; • print "toto se zapíše do souboru log.txt, ne na STDOUT!\n";

32. Parametry souboru • Pole @ARGV • Při spouštění programu se parametry píšou za jméno souboru • Příklad: přepis souboru s očíslovanými řádky • program, který přečte všechny zadané soubory a vypíše je tak, že každý řádek předchází jeho pořadí • nevíme předem, kolik bude souborů • Spuštění programu: • ./pocitej.perl soubor_1 soubor_2 ... soubor_n • parametry jsou odděleny mezerami

33. Příklad s polem @ARGV foreach $s (@ARGV) { my $cislo_radku = 1; open(VSTUP, $s) or die "Nelze otevřít soubor $s\n"; open(VYSTUP, ">${s}.out") or die "Nelze otevřít ...."; print "---- $s ----\n"; while($prom = <VSTUP>) { print VYSTUP $cislo_radku++, " ", $prom; } }

34. Použití @ARGV • Jméno souboru, který se má zpracovat (vstupní soubor) • může jich být víc • Jméno souboru, který má být výsledkem (výstupní soubor) • i těch může být víc • Číselné parametry – př.: sečíst čísla od N do M • Příklad : jednoduchá kalkulačka

35. Perl z příkazového řádku • Krátké prográmky na jedno použití není třeba uchovávat, lze je spustit přímo z příkazové řádky • perl volba • Volby • -e "příkaz(y)" provede se příkaz • -n příkaz se obalí cyklem while • -p jako -n, navíc se řádky vytisknou na STDOUT • -v vypíše verzi Perlu perl -pe "s/\r//" W_soubor.txt > U_soubor.txt perl -ne "print if/aby/"

36. Perl z příkazového řádku - Unicode • Další volba • -Cpro práci s kódováním UTF-8 • stejné jako pro první řádku skriptu – hodnota SAD perl -CSAD -pe "use utf8; ..." perl -CSAD -ne "use utf8; print if/aby/" soubor.txt perl -Mlocale-ne "print if/aby/" soubor.txt