perlebcdic
СОДЕРЖАНИЕ
- ИМЯ
- ОПИСАНИЕ
- ОБЩИЕ НАБОРЫ КОДОВ СИМВОЛОВ
- ТАБЛИЦЫ С ОДНИМ БАЙТОМ
- ОПРЕДЕЛЕНИЕ НАБОРОВ КОДОВ СИМВОЛОВ
- ПРЕОБРАЗОВАНИЯ
- РАЗЛИЧИЯ ОПЕРАТОРОВ
- РАЗЛИЧИЯ ФУНКЦИЙ
- РАЗЛИЧИЯ В РЕГУЛЯРНЫХ ВЫРАЖЕНИЯХ
- СОКЕТЫ
- СОРТИРОВКА
- ФОРМАТЫ ПРЕОБРАЗОВАНИЯ
- Порядок хеширования и контрольные суммы
- I18N И L10N
- НАБОРЫ СИМВОЛОВ С НЕСКОЛЬКИМИ БАЙТАМИ
- ВОПРОСЫ ОПЕРАЦИОННОЙ СИСТЕМЫ
- ОШИБКИ
- СМОТРИТЕ ТАКЖЕ
- СПИСОК ЛИТЕРАТУРЫ
- ИСТОРИЯ
- АВТОР
ИМЯ
perlebcdic - Соображения по выполнению Perl на платформах EBCDIC
ОПИСАНИЕ
Исследование некоторых проблем, с которыми сталкиваются программисты Perl на компьютерах, основанных на EBCDIC.
Незавершенные части этого документа помечены XXX.
Ранние версии Perl работали на некоторых машинах EBCDIC, но последняя известная версия, которая работала на EBCDIC, была v5.8.7, вплоть до v5.22, когда ядро Perl снова заработало на z/OS. Теоретически, он мог работать на OS/400 или BS2000 Siemens (или их преемниках), но это не тестировалось. В версиях 5.22 и 5.24 не все модули, найденные на CPAN, но поставляемые с ядром Perl, работают на z/OS.
Если вы хотите использовать Perl на машине EBCDIC, отличной от z/OS, сообщите нам об этом, отправив письмо по адресу perlbug@perl.org
Написание Perl на платформе EBCDIC ничем не отличается от написания на платформе "ASCII", но с другими базовыми числами, как мы увидим вскоре. Вам нужно будет что-то знать о платформах "ASCII", потому что документация предвзята и часто будет использовать примерные числа, которые не относятся к EBCDIC. Также существует очень мало модулей CPAN, написанных для EBCDIC и не работающих на ASCII; вместо этого подавляющее большинство модулей CPAN написаны для ASCII, и некоторые из них могут работать на EBCDIC, а некоторые были разработаны для портативного использования как на тех, так и на других платформах.
Если ваш код просто использует 52 буквы A-Z и a-z, плюс SPACE, цифры 0-9 и знаки препинания, которые использует Perl, плюс несколько управляющих символов, обозначенных последовательностями экранирования, такими как \n и \t, тогда нет ничего особенного в использовании Perl, и ваш код, скорее всего, будет работать на машине ASCII без изменений.
Но если вы пишете код, который использует \005 для обозначения TAB или \xC1 для обозначения "A", или \xDF для обозначения "ÿ" (маленькая "y" с диэрезисом), то ваш код, вероятно, будет работать на вашей платформе EBCDIC, но не на платформе ASCII. Это нормально делать, если никто никогда не захочет запускать ваш код на платформе ASCII; но эта документация будет смещена в сторону написания кода, портативного между системами EBCDIC и ASCII. Опять же, если каждый символ, который вам важен, легко вводится с вашей клавиатуры, вам не нужно ничего знать об ASCII, но многие клавиатуры не позволяют напрямую вводить, скажем, символ \xDF, поэтому вам нужно указать его косвенно, например, с помощью последовательности экранирования "\xDF". В этих случаях проще всего знать что-то о наборах символов ASCII/Unicode. Если вы знаете, что маленькая "ÿ" - это U+00FF, то вместо этого вы можете указать ее как "\N{U+FF}", и компьютер автоматически переведет ее в \xDF на вашей платформе и оставит ее как \xFF на платформах ASCII. Либо вы можете указать ее по имени, \N{LATIN SMALL LETTER Y WITH DIAERESIS, и вам не нужно знать числа. В любом случае работает, но оба подхода требуют знакомства с Юникодом.
ОБЩИЕ НАБОРЫ КОДОВ СИМВОЛОВ
ASCII
American Standard Code for Information Interchange (ASCII или US-ASCII) — это набор целых чисел от 0 до 127 (десятичное), которые имеют стандартизированные интерпретации на компьютерах, использующих ASCII. Например, 65 означает букву "A". Диапазон 0..127 может быть охвачен установкой различных битов в 7-битном двоичном разряде, поэтому набор иногда упоминается как "7-битный ASCII". ASCII был описан в документе ANSI X3.4-1986 Американского национального института стандартов. Он также был описан в ISO 646:1991 (с локализациями для символов валюты). Полный набор ASCII приведён в таблице ниже как первые 128 элементов. Языки, которые можно достаточно полно записать символами ASCII, включают английский, гавайский, индонезийский, суахили и некоторые языки коренных американцев.
Большинство наборов символов, отличных от EBCDIC, являются супермножествами ASCII. То есть целые числа от 0 до 127 означают то же, что и в ASCII. Но целые числа 128 и выше специфичны для набора символов.
Многие из этих наборов полностью помещаются в 8 бит, используя ASCII как 0-127, при этом указывается значение для 128-255 и не используется ничего выше 255. Таким образом, это наборы символов с одним байтом (или октетом, если хотите). Один важный из них (поскольку Юникод является его супермножеством) — набор символов ISO 8859-1.
ISO 8859
Наборы символов ISO 8859-$n — это коллекция наборов кодов символов от Международной организации по стандартизации (ISO), каждый из которых добавляет символы к набору ASCII, обычно встречающиеся в различных языках, многие из которых основаны на латинском алфавите. Большинство из них предназначены для европейских языков, но также есть наборы для арабского, греческого, иврита и тайского языков. Есть хорошие справочные материалы в Интернете по всем этим наборам.
Latin-1 (ISO 8859-1)
Конкретное 8-битное расширение ASCII, включающее латинские символы с акцентами grave и acute. Языки, которые могут использовать ISO 8859-1, включают все языки, охватываемые ASCII, а также африкаанс, албанский, баскский, каталонский, датский, фарерский, финский, норвежский, португальский, испанский и шведский. Голландский также поддерживается, но без лигатуры ij. Французский тоже поддерживается, но без лигатуры oe. Немецкий может использовать ISO 8859-1, но должен делать это без немецких кавычек. Этот набор основан на западноевропейских расширениях ASCII и часто встречается в работе во всемирной паутине. В терминологии IBM для идентификации наборов символов ISO 8859-1 также известен как CCSID 819 (или иногда 0819 или даже 00819).
EBCDIC
Extended Binary Coded Decimal Interchange Code относится к большому количеству наборов кодов символов с одним и несколькими байтами, которые существенно отличаются от ASCII и ISO 8859-1 и все немного отличаются друг от друга; они обычно используются на компьютерах-хостах. Кодировки EBCDIC произошли от 8-битных байтовых расширений кодировок перфокарт Холлерита, которые появились задолго до ASCII. Структура на картах была такой, что биты старшего разряда устанавливались для прописных и строчных букв латинского алфавита [a-z] и [A-Z], но в каждом диапазоне латинских букв были пробелы, видимые в таблице ниже. Эти пробелы могут создавать сложности.
Некоторые наборы символов IBM EBCDIC могут быть известны по номерам идентификации набора символов (номера CCSID) или номерам кодовых страниц.
Perl можно скомпилировать на платформах, на которых работает любой из трёх обычно используемых наборов символов EBCDIC, перечисленных ниже.
13 вариантов символов
Среди наборов кодов символов IBM EBCDIC есть 13 символов, которые часто отображаются с различными значениями целых чисел. Эти символы известны как 13 «вариантных» символов и следующие:
\ [ ] { } ^ ~ ! # | $ @ `При компиляции Perl для платформы он анализирует все эти символы, чтобы предположить, какой набор символов EBCDIC использует платформа, и соответственно адаптирует себя к этой платформе. Если платформа использует набор символов, не входящий в число трёх наборов, которые Perl знает, Perl либо не сможет скомпилироваться, либо ошибочно и беззвучно выберет один из трёх.
Наборы кодов EBCDIC, распознаваемые Perl
- 0037
-
Идентификатор набора символов 0037 представляет собой отображение символов ASCII плюс Latin-1 (т.е. ISO 8859-1) на набор EBCDIC. 0037 используется в локалях Северной Америки (английский) в операционной системе OS/400, работающей на компьютерах AS/400. CCSID 0037 отличается от ISO 8859-1 в 236 местах; другими словами, они совпадают только в 20 значениях кодовых точек.
- 1047
-
Идентификатор набора символов 1047 также представляет собой отображение символов ASCII плюс Latin-1 (т.е. ISO 8859-1) на набор EBCDIC. 1047 используется в Unix System Services для OS/390 или z/OS и OpenEdition для VM/ESA. CCSID 1047 отличается от CCSID 0037 в восьми местах и от ISO 8859-1 в 236.
- POSIX-BC
-
Страница кодировки EBCDIC, используемая в системе Siemens BS2000, отличается от 1047 и 0037. Она идентифицируется ниже как набор POSIX-BC. Как и 0037 и 1047, он совпадает с ISO 8859-1 в 20 значениях кодовых точек.
Кодовые точки Юникода против кодовых точек EBCDIC
В терминологии Юникода кодовая точка — это число, присвоенное символу: например, в EBCDIC символ "A" обычно имеет номер 193. В Юникоде символу "A" присваивается номер 65. Все кодовые точки в ASCII и Latin-1 (ISO 8859-1) имеют одинаковое значение в Юникоде. Все три признанных набора кодировки EBCDIC имеют 256 кодовых точек, и в каждом наборе все 256 кодовых точек отображаются на эквивалентные кодовые точки Latin1. Очевидно, "A" будет отображаться на "A", "B" => "B", "%" => "%", и т.д., для всех печатаемых символов в Latin1 и этих наборах кодировки.
Оказалось, что EBCDIC имеет почти точные эквиваленты для управляющих символов ASCII/Latin1 C0 и управляющего символа DELETE. (Управляющие символы C0 — это те, чьи кодовые точки ASCII составляют 0..0x1F; такие как TAB, ACK, BEL и т.д.) Устанавливается отображение между этими управляющими символами ASCII/EBCDIC. Нет такого точного отображения между управляющими символами C1 на платформах ASCII и оставшимися управляющими символами EBCDIC. То, что было сделано, — это отображение этих управляющих символов, в основном произвольным образом, на какой-либо несовпадающий символ в другом наборе символов. Большинство из них в наши дни крайне редко используются в EBCDIC, и их имена были убраны, без особых жалоб. Например, управляющий символ EBCDIC EO (Eight Ones) (состоящий из восьми единичных битов = 0xFF) отображается на управляющий символ C1 APC (0x9F), и вы не можете использовать имя "EO".
Управляющие символы EBCDIC предоставляют три возможных символа окончания строки: CR (0x0D), LF (0x25) и NL (0x15). На платформах ASCII символы "NL" и "LF" относятся к одному и тому же символу, но в строгой терминологии EBCDIC они разные. EBCDIC NL отображается на управляющий символ C1, называемый "NEL" ("Next Line"; вот случай, когда отображение имеет вполне определенный смысл, и, следовательно, не является просто произвольным). На некоторых платформах EBCDIC этот NL или NEL является типичным символом окончания строки. Это справедливо для z/OS и BS2000. В этих платформах компиляторы C будут менять кодовые точки LF и NEL, так что "\n" равен 0x15 и относится к NL. Perl также делает это; вы можете увидеть это в таблице кодов ниже.
Юникод и UTF
UTF означает "Unicode Transformation Format". UTF-8 — это кодировка Юникода в последовательность 8-битных блоков байтов, основанная на ASCII и Latin-1. Длина последовательности, необходимой для представления кодовой точки Юникода, зависит от порядкового номера этой кодовой точки, а более высокие номера требуют больше байтов. UTF-EBCDIC похож на UTF-8, но основан на EBCDIC. Они достаточно похожи, что часто в повседневном использовании оба термина объединяются, а "UTF-8" используется для обозначения как UTF-8 на платформах ASCII, так и UTF-EBCDIC на платформах EBCDIC.
Вы можете встретить термин "инвариантный" символ или кодовая точка. Это просто означает, что символ имеет то же числовое значение и представление при кодировании в UTF-8 (или UTF-EBCDIC), что и без кодирования. (Обратите внимание, что это совершенно другой концепции, чем "Тринадцать символов с вариантами", упомянутые выше. Внимательное изложение будет использовать термин "инвариантный в UTF-8", а не просто "инвариантный", но чаще всего вы увидите просто "инвариантный"). Например, порядковое значение "A" равно 193 в большинстве наборов кодировки EBCDIC и также равно 193 при кодировании в UTF-EBCDIC. Все кодовые точки с вариантами UTF-8 (или UTF-EBCDIC) занимают как минимум два байта при кодировании в UTF-8 (или UTF-EBCDIC); по определению, инвариантные кодовые точки UTF-8 (или UTF-EBCDIC) занимают ровно один байт при кодировании в UTF-8 (или UTF-EBCDIC), или без кодирования. (Теперь вы понимаете, почему люди обычно говорят просто "UTF-8", когда подразумевают также "UTF-EBCDIC". В остальной части документа мы будем по большей части использовать это неформально.) В ASCII UTF-8 кодовые точки, соответствующие 128 самым низким порядковым номерам (0 - 127: символы ASCII), являются инвариантными. В UTF-EBCDIC существует 160 инвариантных символов. (Если вам интересно, инварианты EBCDIC — это те символы, которые имеют эквиваленты ASCII, плюс те, что соответствуют управляющим символам C1 (128 - 159 на платформах ASCII)).
Строка, закодированная в UTF-EBCDIC, может быть длиннее (очень редко короче), чем строка, закодированная в UTF-8. Perl расширяет как UTF-8, так и UTF-EBCDIC, чтобы они могли кодировать кодовые точки выше максимального значения Юникода U+10FFFF. Оба расширения разработаны таким образом, чтобы позволить кодирование любой кодовой точки, которая помещается в 64-битовое слово.
UTF-EBCDIC определен в Техническом отчете Юникода № 16 (часто упоминаемом как просто TR16). Он определен на основе CCSID 1047, не учитывая различий для других наборов кодировки. Это позволяет легко обмениваться текстом между компьютерами, работающими с разными наборами кодировки, но делает его непригодным без адаптации для Perl на других наборах кодировки.
Причина этой непригодности заключается в том, что фундаментальное предположение Perl состоит в том, что символы, которые он учитывает для разбора и лексического анализа, одинаковы, независимо от того, находится ли текст в UTF-8 или нет. Например, Perl ожидает, что символ "[" будет иметь то же представление, независимо от того, закодирована ли строка, содержащая его (или текст программы), в UTF-8 или нет. Чтобы обеспечить это, Perl адаптирует UTF-EBCDIC к конкретной кодировке, так что все символы, которые, по его мнению, должны быть инвариантными в UTF-8, на самом деле являются инвариантными в UTF-8. Это означает, что текст, сгенерированный на компьютере, работающем с одним вариантом UTF-EBCDIC Perl, должен быть преобразован, чтобы быть понятным компьютеру, работающему с другим вариантом.
TR16 подразумевает метод расширения UTF-EBCDIC для кодирования точек вплоть до 2 ** 31 - 1. Perl использует этот метод для кодовых точек до 2 ** 30 - 1, но использует несовместимый метод для больших значений, чтобы иметь возможность обрабатывать гораздо более крупные кодовые точки.
Использование Encode
Начиная с Perl 5.8, вы можете использовать стандартный модуль Encode для преобразования из EBCDIC в кодовые точки Latin-1.
use Encode 'from_to';
my %ebcdic = ( 176 => 'cp37', 95 => 'cp1047', 106 => 'posix-bc' );
# $a is in EBCDIC code points
from_to($a, $ebcdic{ord '^'}, 'latin1');
# $a is ISO 8859-1 code pointsи из кодовых точек Latin-1 в кодовые точки EBCDIC
use Encode 'from_to';
my %ebcdic = ( 176 => 'cp37', 95 => 'cp1047', 106 => 'posix-bc' );
# $a is ISO 8859-1 code points
from_to($a, 'latin1', $ebcdic{ord '^'});
# $a is in EBCDIC code pointsДля выполнения ввода-вывода рекомендуется использовать автоматическое преобразование PerlIO, см. perluniintro.
С версии 5.8 Perl использует библиотеку ввода-вывода PerlIO. Это позволяет использовать различные кодировки для каждого канала ввода-вывода. Например, вы можете использовать
use Encode;
open($f, ">:encoding(ascii)", "test.ascii");
print $f "Hello World!\n";
open($f, ">:encoding(cp37)", "test.ebcdic");
print $f "Hello World!\n";
open($f, ">:encoding(latin1)", "test.latin1");
print $f "Hello World!\n";
open($f, ">:encoding(utf8)", "test.utf8");
print $f "Hello World!\n";чтобы получить четыре файла, содержащие "Hello World!\n" в ASCII, CP 0037 EBCDIC, ISO 8859-1 (Latin-1) (в этом примере идентично ASCII, так как были напечатаны только символы ASCII), и UTF-EBCDIC (в этом примере идентично обычной EBCDIC, так как были напечатаны только символы, которые не отличаются между EBCDIC и UTF-EBCDIC). Подробности см. в документации Encode::PerlIO.
Так как уровень PerlIO использует внутренне операции ввода-вывода с байтами, всё это полностью игнорирует такие вещи, как тип вашей файловой системы (ASCII или EBCDIC).
ТАБЛИЦЫ ОДИНОЧНЫХ БАЙТОВ
В следующих таблицах представлены наборы ASCII и Latin-1 в упорядоченном виде, включая подмножества: управляющие символы C0 (0..31), графические символы ASCII (32..7e), символ удаления (7f), управляющие символы C1 (80..9f) и Latin-1 (также известный как ISO 8859-1) (a0..ff). В именах таблиц расширений Latin-1 для ASCII использованы имена символов, приблизительно соответствующие Стандарту Юникода, версия 6.1, хотя с заменами, такими как s/LATIN// и s/VULGAR// во всех случаях; s/CAPITAL LETTER// в некоторых случаях; и s/SMALL LETTER ([A-Z])/\l$1/ в некоторых других случаях. Управляющие символы перечислены с использованием сокращений Юникода версии 6.2. Различия между наборами 0037 и 1047 помечены **. Различия между наборами 1047 и POSIX-BC помечены ##. Все ord() указанные числа являются десятичными. Если вы предпочитаете видеть эту таблицу со значениями в восьмеричной форме, запустите таблицу (т.е. исходный текст под документации, поскольку этот рецепт может не работать с переводом pod2_other_format):
- рецепт 0
perl -ne 'if(/(.{29})(\d+)\s+(\d+)\s+(\d+)\s+(\d+)/)' \
-e '{printf("%s%-5.03o%-5.03o%-5.03o%.03o\n",$1,$2,$3,$4,$5)}' \
perlebcdic.podЕсли вы хотите сохранить кодовые точки UTF-x, то в форме скрипта вы можете написать:
- рецепт 1
open(FH,"<perlebcdic.pod") or die "Could not open perlebcdic.pod: $!";
while (<FH>) {
if (/(.{29})(\d+)\s+(\d+)\s+(\d+)\s+(\d+)\s+(\d+)\.?(\d*)
\s+(\d+)\.?(\d*)/x)
{
if ($7 ne '' && $9 ne '') {
printf(
"%s%-5.03o%-5.03o%-5.03o%-5.03o%-3o.%-5o%-3o.%.03o\n",
$1,$2,$3,$4,$5,$6,$7,$8,$9);
}
elsif ($7 ne '') {
printf("%s%-5.03o%-5.03o%-5.03o%-5.03o%-3o.%-5o%.03o\n",
$1,$2,$3,$4,$5,$6,$7,$8);
}
else {
printf("%s%-5.03o%-5.03o%-5.03o%-5.03o%-5.03o%.03o\n",
$1,$2,$3,$4,$5,$6,$8);
}
}
}Если вы предпочитаете видеть эту таблицу со значениями в шестнадцатеричной форме, запустите таблицу через:
- рецепт 2
perl -ne 'if(/(.{29})(\d+)\s+(\d+)\s+(\d+)\s+(\d+)/)' \
-e '{printf("%s%-5.02X%-5.02X%-5.02X%.02X\n",$1,$2,$3,$4,$5)}' \
perlebcdic.podИли, чтобы сохранить кодовые точки UTF-x в шестнадцатеричном формате:
- рецепт 3
open(FH,"<perlebcdic.pod") or die "Could not open perlebcdic.pod: $!";
while (<FH>) {
if (/(.{29})(\d+)\s+(\d+)\s+(\d+)\s+(\d+)\s+(\d+)\.?(\d*)
\s+(\d+)\.?(\d*)/x)
{
if ($7 ne '' && $9 ne '') {
printf(
"%s%-5.02X%-5.02X%-5.02X%-5.02X%-2X.%-6.02X%02X.%02X\n",
$1,$2,$3,$4,$5,$6,$7,$8,$9);
}
elsif ($7 ne '') {
printf("%s%-5.02X%-5.02X%-5.02X%-5.02X%-2X.%-6.02X%02X\n",
$1,$2,$3,$4,$5,$6,$7,$8);
}
else {
printf("%s%-5.02X%-5.02X%-5.02X%-5.02X%-5.02X%02X\n",
$1,$2,$3,$4,$5,$6,$8);
}
}
}
ISO
8859-1 POS- CCSID
CCSID CCSID CCSID IX- 1047
chr 0819 0037 1047 BC UTF-8 UTF-EBCDIC
---------------------------------------------------------------------
<NUL> 0 0 0 0 0 0
<SOH> 1 1 1 1 1 1
<STX> 2 2 2 2 2 2
<ETX> 3 3 3 3 3 3
<EOT> 4 55 55 55 4 55
<ENQ> 5 45 45 45 5 45
<ACK> 6 46 46 46 6 46
<BEL> 7 47 47 47 7 47
<BS> 8 22 22 22 8 22
<HT> 9 5 5 5 9 5
<LF> 10 37 21 21 10 21 **
<VT> 11 11 11 11 11 11
<FF> 12 12 12 12 12 12
<CR> 13 13 13 13 13 13
<SO> 14 14 14 14 14 14
<SI> 15 15 15 15 15 15
<DLE> 16 16 16 16 16 16
<DC1> 17 17 17 17 17 17
<DC2> 18 18 18 18 18 18
<DC3> 19 19 19 19 19 19
<DC4> 20 60 60 60 20 60
<NAK> 21 61 61 61 21 61
<SYN> 22 50 50 50 22 50
<ETB> 23 38 38 38 23 38
<CAN> 24 24 24 24 24 24
<EOM> 25 25 25 25 25 25
<SUB> 26 63 63 63 26 63
<ESC> 27 39 39 39 27 39
<FS> 28 28 28 28 28 28
<GS> 29 29 29 29 29 29
<RS> 30 30 30 30 30 30
<US> 31 31 31 31 31 31
<SPACE> 32 64 64 64 32 64
! 33 90 90 90 33 90
" 34 127 127 127 34 127
# 35 123 123 123 35 123
$ 36 91 91 91 36 91
% 37 108 108 108 37 108
& 38 80 80 80 38 80
' 39 125 125 125 39 125
( 40 77 77 77 40 77
) 41 93 93 93 41 93
* 42 92 92 92 42 92
+ 43 78 78 78 43 78
, 44 107 107 107 44 107
- 45 96 96 96 45 96
. 46 75 75 75 46 75
/ 47 97 97 97 47 97
0 48 240 240 240 48 240
1 49 241 241 241 49 241
2 50 242 242 242 50 242
3 51 243 243 243 51 243
4 52 244 244 244 52 244
5 53 245 245 245 53 245
6 54 246 246 246 54 246
7 55 247 247 247 55 247
8 56 248 248 248 56 248
9 57 249 249 249 57 249
: 58 122 122 122 58 122
; 59 94 94 94 59 94
< 60 76 76 76 60 76
= 61 126 126 126 61 126
> 62 110 110 110 62 110
? 63 111 111 111 63 111
@ 64 124 124 124 64 124
A 65 193 193 193 65 193
B 66 194 194 194 66 194
C 67 195 195 195 67 195
D 68 196 196 196 68 196
E 69 197 197 197 69 197
F 70 198 198 198 70 198
G 71 199 199 199 71 199
H 72 200 200 200 72 200
I 73 201 201 201 73 201
J 74 209 209 209 74 209
K 75 210 210 210 75 210
L 76 211 211 211 76 211
M 77 212 212 212 77 212
N 78 213 213 213 78 213
O 79 214 214 214 79 214
P 80 215 215 215 80 215
Q 81 216 216 216 81 216
R 82 217 217 217 82 217
S 83 226 226 226 83 226
T 84 227 227 227 84 227
U 85 228 228 228 85 228
V 86 229 229 229 86 229
W 87 230 230 230 87 230
X 88 231 231 231 88 231
Y 89 232 232 232 89 232
Z 90 233 233 233 90 233
[ 91 186 173 187 91 173 ** ##
\ 92 224 224 188 92 224 ##
] 93 187 189 189 93 189 **
^ 94 176 95 106 94 95 ** ##
_ 95 109 109 109 95 109
` 96 121 121 74 96 121 ##
a 97 129 129 129 97 129
b 98 130 130 130 98 130
c 99 131 131 131 99 131
d 100 132 132 132 100 132
e 101 133 133 133 101 133
f 102 134 134 134 102 134
g 103 135 135 135 103 135
h 104 136 136 136 104 136
i 105 137 137 137 105 137
j 106 145 145 145 106 145
k 107 146 146 146 107 146
l 108 147 147 147 108 147
m 109 148 148 148 109 148
n 110 149 149 149 110 149
o 111 150 150 150 111 150
p 112 151 151 151 112 151
q 113 152 152 152 113 152
r 114 153 153 153 114 153
s 115 162 162 162 115 162
t 116 163 163 163 116 163
u 117 164 164 164 117 164
v 118 165 165 165 118 165
w 119 166 166 166 119 166
x 120 167 167 167 120 167
y 121 168 168 168 121 168
z 122 169 169 169 122 169
{ 123 192 192 251 123 192 ##
| 124 79 79 79 124 79
} 125 208 208 253 125 208 ##
~ 126 161 161 255 126 161 ##
<DEL> 127 7 7 7 127 7
<PAD> 128 32 32 32 194.128 32
<HOP> 129 33 33 33 194.129 33
<BPH> 130 34 34 34 194.130 34
<NBH> 131 35 35 35 194.131 35
<IND> 132 36 36 36 194.132 36
<NEL> 133 21 37 37 194.133 37 **
<SSA> 134 6 6 6 194.134 6
<ESA> 135 23 23 23 194.135 23
<HTS> 136 40 40 40 194.136 40
<HTJ> 137 41 41 41 194.137 41
<VTS> 138 42 42 42 194.138 42
<PLD> 139 43 43 43 194.139 43
<PLU> 140 44 44 44 194.140 44
<RI> 141 9 9 9 194.141 9
<SS2> 142 10 10 10 194.142 10
<SS3> 143 27 27 27 194.143 27
<DCS> 144 48 48 48 194.144 48
<PU1> 145 49 49 49 194.145 49
<PU2> 146 26 26 26 194.146 26
<STS> 147 51 51 51 194.147 51
<CCH> 148 52 52 52 194.148 52
<MW> 149 53 53 53 194.149 53
<SPA> 150 54 54 54 194.150 54
<EPA> 151 8 8 8 194.151 8
<SOS> 152 56 56 56 194.152 56
<SGC> 153 57 57 57 194.153 57
<SCI> 154 58 58 58 194.154 58
<CSI> 155 59 59 59 194.155 59
<ST> 156 4 4 4 194.156 4
<OSC> 157 20 20 20 194.157 20
<PM> 158 62 62 62 194.158 62
<APC> 159 255 255 95 194.159 255 ##
<NON-BREAKING SPACE> 160 65 65 65 194.160 128.65
<INVERTED "!" > 161 170 170 170 194.161 128.66
<CENT SIGN> 162 74 74 176 194.162 128.67 ##
<POUND SIGN> 163 177 177 177 194.163 128.68
<CURRENCY SIGN> 164 159 159 159 194.164 128.69
<YEN SIGN> 165 178 178 178 194.165 128.70
<BROKEN BAR> 166 106 106 208 194.166 128.71 ##
<SECTION SIGN> 167 181 181 181 194.167 128.72
<DIAERESIS> 168 189 187 121 194.168 128.73 ** ##
<COPYRIGHT SIGN> 169 180 180 180 194.169 128.74
<FEMININE ORDINAL> 170 154 154 154 194.170 128.81
<LEFT POINTING GUILLEMET> 171 138 138 138 194.171 128.82
<NOT SIGN> 172 95 176 186 194.172 128.83 ** ##
<SOFT HYPHEN> 173 202 202 202 194.173 128.84
<REGISTERED TRADE MARK> 174 175 175 175 194.174 128.85
<MACRON> 175 188 188 161 194.175 128.86 ##
<DEGREE SIGN> 176 144 144 144 194.176 128.87
<PLUS-OR-MINUS SIGN> 177 143 143 143 194.177 128.88
<SUPERSCRIPT TWO> 178 234 234 234 194.178 128.89
<SUPERSCRIPT THREE> 179 250 250 250 194.179 128.98
<ACUTE ACCENT> 180 190 190 190 194.180 128.99
<MICRO SIGN> 181 160 160 160 194.181 128.100
<PARAGRAPH SIGN> 182 182 182 182 194.182 128.101
<MIDDLE DOT> 183 179 179 179 194.183 128.102
<CEDILLA> 184 157 157 157 194.184 128.103
<SUPERSCRIPT ONE> 185 218 218 218 194.185 128.104
<MASC. ORDINAL INDICATOR> 186 155 155 155 194.186 128.105
<RIGHT POINTING GUILLEMET> 187 139 139 139 194.187 128.106
<FRACTION ONE QUARTER> 188 183 183 183 194.188 128.112
<FRACTION ONE HALF> 189 184 184 184 194.189 128.113
<FRACTION THREE QUARTERS> 190 185 185 185 194.190 128.114
<INVERTED QUESTION MARK> 191 171 171 171 194.191 128.115
<A WITH GRAVE> 192 100 100 100 195.128 138.65
<A WITH ACUTE> 193 101 101 101 195.129 138.66
<A WITH CIRCUMFLEX> 194 98 98 98 195.130 138.67
<A WITH TILDE> 195 102 102 102 195.131 138.68
<A WITH DIAERESIS> 196 99 99 99 195.132 138.69
<A WITH RING ABOVE> 197 103 103 103 195.133 138.70
<CAPITAL LIGATURE AE> 198 158 158 158 195.134 138.71
<C WITH CEDILLA> 199 104 104 104 195.135 138.72
<E WITH GRAVE> 200 116 116 116 195.136 138.73
<E WITH ACUTE> 201 113 113 113 195.137 138.74
<E WITH CIRCUMFLEX> 202 114 114 114 195.138 138.81
<E WITH DIAERESIS> 203 115 115 115 195.139 138.82
<I WITH GRAVE> 204 120 120 120 195.140 138.83
<I WITH ACUTE> 205 117 117 117 195.141 138.84
<I WITH CIRCUMFLEX> 206 118 118 118 195.142 138.85
<I WITH DIAERESIS> 207 119 119 119 195.143 138.86
<CAPITAL LETTER ETH> 208 172 172 172 195.144 138.87
<N WITH TILDE> 209 105 105 105 195.145 138.88
<O WITH GRAVE> 210 237 237 237 195.146 138.89
<O WITH ACUTE> 211 238 238 238 195.147 138.98
<O WITH CIRCUMFLEX> 212 235 235 235 195.148 138.99
<O WITH TILDE> 213 239 239 239 195.149 138.100
<O WITH DIAERESIS> 214 236 236 236 195.150 138.101
<MULTIPLICATION SIGN> 215 191 191 191 195.151 138.102
<O WITH STROKE> 216 128 128 128 195.152 138.103
<U WITH GRAVE> 217 253 253 224 195.153 138.104 ##
<U WITH ACUTE> 218 254 254 254 195.154 138.105
<U WITH CIRCUMFLEX> 219 251 251 221 195.155 138.106 ##
<U WITH DIAERESIS> 220 252 252 252 195.156 138.112
<Y WITH ACUTE> 221 173 186 173 195.157 138.113 ** ##
<CAPITAL LETTER THORN> 222 174 174 174 195.158 138.114
<SMALL LETTER SHARP S> 223 89 89 89 195.159 138.115
<a WITH GRAVE> 224 68 68 68 195.160 139.65
<a WITH ACUTE> 225 69 69 69 195.161 139.66
<a WITH CIRCUMFLEX> 226 66 66 66 195.162 139.67
<a WITH TILDE> 227 70 70 70 195.163 139.68
<a WITH DIAERESIS> 228 67 67 67 195.164 139.69
<a WITH RING ABOVE> 229 71 71 71 195.165 139.70
<SMALL LIGATURE ae> 230 156 156 156 195.166 139.71
<c WITH CEDILLA> 231 72 72 72 195.167 139.72
<e WITH GRAVE> 232 84 84 84 195.168 139.73
<e WITH ACUTE> 233 81 81 81 195.169 139.74
<e WITH CIRCUMFLEX> 234 82 82 82 195.170 139.81
<e WITH DIAERESIS> 235 83 83 83 195.171 139.82
<i WITH GRAVE> 236 88 88 88 195.172 139.83
<i WITH ACUTE> 237 85 85 85 195.173 139.84
<i WITH CIRCUMFLEX> 238 86 86 86 195.174 139.85
<i WITH DIAERESIS> 239 87 87 87 195.175 139.86
<SMALL LETTER eth> 240 140 140 140 195.176 139.87
<n WITH TILDE> 241 73 73 73 195.177 139.88
<o WITH GRAVE> 242 205 205 205 195.178 139.89
<o WITH ACUTE> 243 206 206 206 195.179 139.98
<o WITH CIRCUMFLEX> 244 203 203 203 195.180 139.99
<o WITH TILDE> 245 207 207 207 195.181 139.100
<o WITH DIAERESIS> 246 204 204 204 195.182 139.101
<DIVISION SIGN> 247 225 225 225 195.183 139.102
<o WITH STROKE> 248 112 112 112 195.184 139.103
<u WITH GRAVE> 249 221 221 192 195.185 139.104 ##
<u WITH ACUTE> 250 222 222 222 195.186 139.105
<u WITH CIRCUMFLEX> 251 219 219 219 195.187 139.106
<u WITH DIAERESIS> 252 220 220 220 195.188 139.112
<y WITH ACUTE> 253 141 141 141 195.189 139.113
<SMALL LETTER thorn> 254 142 142 142 195.190 139.114
<y WITH DIAERESIS> 255 223 223 223 195.191 139.115Если вы хотите видеть вышеприведённую таблицу в порядке CCSID 0037, а не в порядке ASCII + Latin-1, запустите таблицу через:
- рецепт 4
perl \
-ne 'if(/.{29}\d{1,3}\s{2,4}\d{1,3}\s{2,4}\d{1,3}\s{2,4}\d{1,3}/)'\
-e '{push(@l,$_)}' \
-e 'END{print map{$_->[0]}' \
-e ' sort{$a->[1] <=> $b->[1]}' \
-e ' map{[$_,substr($_,34,3)]}@l;}' perlebcdic.podЕсли вы хотите увидеть её в порядке CCSID 1047, измените число 34 в последней строке на 39, например так:
- рецепт 5
perl \
-ne 'if(/.{29}\d{1,3}\s{2,4}\d{1,3}\s{2,4}\d{1,3}\s{2,4}\d{1,3}/)'\
-e '{push(@l,$_)}' \
-e 'END{print map{$_->[0]}' \
-e ' sort{$a->[1] <=> $b->[1]}' \
-e ' map{[$_,substr($_,39,3)]}@l;}' perlebcdic.podЕсли вы хотите увидеть её в порядке POSIX-BC, измените число 34 в последней строке на 44, например так:
- рецепт 6
perl \
-ne 'if(/.{29}\d{1,3}\s{2,4}\d{1,3}\s{2,4}\d{1,3}\s{2,4}\d{1,3}/)'\
-e '{push(@l,$_)}' \
-e 'END{print map{$_->[0]}' \
-e ' sort{$a->[1] <=> $b->[1]}' \
-e ' map{[$_,substr($_,44,3)]}@l;}' perlebcdic.podТаблица в шестнадцатеричном формате, отсортированная по порядку 1047
С момента написания этого документа, конвенция всё больше склоняется к использованию шестнадцатеричной нотации для кодовых точек. Для этого с рецептами и сортировкой необходим многоэтапный процесс, поэтому для удобства здесь приведена таблица из предыдущего списка, пересортированная в порядке набора кодировки 1047 и с использованием шестнадцатеричной нотации.
ISO
8859-1 POS- CCSID
CCSID CCSID CCSID IX- 1047
chr 0819 0037 1047 BC UTF-8 UTF-EBCDIC
---------------------------------------------------------------------
<NUL> 00 00 00 00 00 00
<SOH> 01 01 01 01 01 01
<STX> 02 02 02 02 02 02
<ETX> 03 03 03 03 03 03
<ST> 9C 04 04 04 C2.9C 04
<HT> 09 05 05 05 09 05
<SSA> 86 06 06 06 C2.86 06
<DEL> 7F 07 07 07 7F 07
<EPA> 97 08 08 08 C2.97 08
<RI> 8D 09 09 09 C2.8D 09
<SS2> 8E 0A 0A 0A C2.8E 0A
<VT> 0B 0B 0B 0B 0B 0B
<FF> 0C 0C 0C 0C 0C 0C
<CR> 0D 0D 0D 0D 0D 0D
<SO> 0E 0E 0E 0E 0E 0E
<SI> 0F 0F 0F 0F 0F 0F
<DLE> 10 10 10 10 10 10
<DC1> 11 11 11 11 11 11
<DC2> 12 12 12 12 12 12
<DC3> 13 13 13 13 13 13
<OSC> 9D 14 14 14 C2.9D 14
<LF> 0A 25 15 15 0A 15 **
<BS> 08 16 16 16 08 16
<ESA> 87 17 17 17 C2.87 17
<CAN> 18 18 18 18 18 18
<EOM> 19 19 19 19 19 19
<PU2> 92 1A 1A 1A C2.92 1A
<SS3> 8F 1B 1B 1B C2.8F 1B
<FS> 1C 1C 1C 1C 1C 1C
<GS> 1D 1D 1D 1D 1D 1D
<RS> 1E 1E 1E 1E 1E 1E
<US> 1F 1F 1F 1F 1F 1F
<PAD> 80 20 20 20 C2.80 20
<HOP> 81 21 21 21 C2.81 21
<BPH> 82 22 22 22 C2.82 22
<NBH> 83 23 23 23 C2.83 23
<IND> 84 24 24 24 C2.84 24
<NEL> 85 15 25 25 C2.85 25 **
<ETB> 17 26 26 26 17 26
<ESC> 1B 27 27 27 1B 27
<HTS> 88 28 28 28 C2.88 28
<HTJ> 89 29 29 29 C2.89 29
<VTS> 8A 2A 2A 2A C2.8A 2A
<PLD> 8B 2B 2B 2B C2.8B 2B
<PLU> 8C 2C 2C 2C C2.8C 2C
<ENQ> 05 2D 2D 2D 05 2D
<ACK> 06 2E 2E 2E 06 2E
<BEL> 07 2F 2F 2F 07 2F
<DCS> 90 30 30 30 C2.90 30
<PU1> 91 31 31 31 C2.91 31
<SYN> 16 32 32 32 16 32
<STS> 93 33 33 33 C2.93 33
<CCH> 94 34 34 34 C2.94 34
<MW> 95 35 35 35 C2.95 35
<SPA> 96 36 36 36 C2.96 36
<EOT> 04 37 37 37 04 37
<SOS> 98 38 38 38 C2.98 38
<SGC> 99 39 39 39 C2.99 39
<SCI> 9A 3A 3A 3A C2.9A 3A
<CSI> 9B 3B 3B 3B C2.9B 3B
<DC4> 14 3C 3C 3C 14 3C
<NAK> 15 3D 3D 3D 15 3D
<PM> 9E 3E 3E 3E C2.9E 3E
<SUB> 1A 3F 3F 3F 1A 3F
<SPACE> 20 40 40 40 20 40
<NON-BREAKING SPACE> A0 41 41 41 C2.A0 80.41
<a WITH CIRCUMFLEX> E2 42 42 42 C3.A2 8B.43
<a WITH DIAERESIS> E4 43 43 43 C3.A4 8B.45
<a WITH GRAVE> E0 44 44 44 C3.A0 8B.41
<a WITH ACUTE> E1 45 45 45 C3.A1 8B.42
<a WITH TILDE> E3 46 46 46 C3.A3 8B.44
<a WITH RING ABOVE> E5 47 47 47 C3.A5 8B.46
<c WITH CEDILLA> E7 48 48 48 C3.A7 8B.48
<n WITH TILDE> F1 49 49 49 C3.B1 8B.58
<CENT SIGN> A2 4A 4A B0 C2.A2 80.43 ##
. 2E 4B 4B 4B 2E 4B
< 3C 4C 4C 4C 3C 4C
( 28 4D 4D 4D 28 4D
+ 2B 4E 4E 4E 2B 4E
| 7C 4F 4F 4F 7C 4F
& 26 50 50 50 26 50
<e WITH ACUTE> E9 51 51 51 C3.A9 8B.4A
<e WITH CIRCUMFLEX> EA 52 52 52 C3.AA 8B.51
<e WITH DIAERESIS> EB 53 53 53 C3.AB 8B.52
<e WITH GRAVE> E8 54 54 54 C3.A8 8B.49
<i WITH ACUTE> ED 55 55 55 C3.AD 8B.54
<i WITH CIRCUMFLEX> EE 56 56 56 C3.AE 8B.55
<i WITH DIAERESIS> EF 57 57 57 C3.AF 8B.56
<i WITH GRAVE> EC 58 58 58 C3.AC 8B.53
<SMALL LETTER SHARP S> DF 59 59 59 C3.9F 8A.73
! 21 5A 5A 5A 21 5A
$ 24 5B 5B 5B 24 5B
* 2A 5C 5C 5C 2A 5C
) 29 5D 5D 5D 29 5D
; 3B 5E 5E 5E 3B 5E
^ 5E B0 5F 6A 5E 5F ** ##
- 2D 60 60 60 2D 60
/ 2F 61 61 61 2F 61
<A WITH CIRCUMFLEX> C2 62 62 62 C3.82 8A.43
<A WITH DIAERESIS> C4 63 63 63 C3.84 8A.45
<A WITH GRAVE> C0 64 64 64 C3.80 8A.41
<A WITH ACUTE> C1 65 65 65 C3.81 8A.42
<A WITH TILDE> C3 66 66 66 C3.83 8A.44
<A WITH RING ABOVE> C5 67 67 67 C3.85 8A.46
<C WITH CEDILLA> C7 68 68 68 C3.87 8A.48
<N WITH TILDE> D1 69 69 69 C3.91 8A.58
<BROKEN BAR> A6 6A 6A D0 C2.A6 80.47 ##
, 2C 6B 6B 6B 2C 6B
% 25 6C 6C 6C 25 6C
_ 5F 6D 6D 6D 5F 6D
> 3E 6E 6E 6E 3E 6E
? 3F 6F 6F 6F 3F 6F
<o WITH STROKE> F8 70 70 70 C3.B8 8B.67
<E WITH ACUTE> C9 71 71 71 C3.89 8A.4A
<E WITH CIRCUMFLEX> CA 72 72 72 C3.8A 8A.51
<E WITH DIAERESIS> CB 73 73 73 C3.8B 8A.52
<E WITH GRAVE> C8 74 74 74 C3.88 8A.49
<I WITH ACUTE> CD 75 75 75 C3.8D 8A.54
<I WITH CIRCUMFLEX> CE 76 76 76 C3.8E 8A.55
<I WITH DIAERESIS> CF 77 77 77 C3.8F 8A.56
<I WITH GRAVE> CC 78 78 78 C3.8C 8A.53
` 60 79 79 4A 60 79 ##
: 3A 7A 7A 7A 3A 7A
# 23 7B 7B 7B 23 7B
@ 40 7C 7C 7C 40 7C
' 27 7D 7D 7D 27 7D
= 3D 7E 7E 7E 3D 7E
" 22 7F 7F 7F 22 7F
<O WITH STROKE> D8 80 80 80 C3.98 8A.67
a 61 81 81 81 61 81
b 62 82 82 82 62 82
c 63 83 83 83 63 83
d 64 84 84 84 64 84
e 65 85 85 85 65 85
f 66 86 86 86 66 86
g 67 87 87 87 67 87
h 68 88 88 88 68 88
i 69 89 89 89 69 89
<LEFT POINTING GUILLEMET> AB 8A 8A 8A C2.AB 80.52
<RIGHT POINTING GUILLEMET> BB 8B 8B 8B C2.BB 80.6A
<SMALL LETTER eth> F0 8C 8C 8C C3.B0 8B.57
<y WITH ACUTE> FD 8D 8D 8D C3.BD 8B.71
<SMALL LETTER thorn> FE 8E 8E 8E C3.BE 8B.72
<PLUS-OR-MINUS SIGN> B1 8F 8F 8F C2.B1 80.58
<DEGREE SIGN> B0 90 90 90 C2.B0 80.57
j 6A 91 91 91 6A 91
k 6B 92 92 92 6B 92
l 6C 93 93 93 6C 93
m 6D 94 94 94 6D 94
n 6E 95 95 95 6E 95
o 6F 96 96 96 6F 96
p 70 97 97 97 70 97
q 71 98 98 98 71 98
r 72 99 99 99 72 99
<FEMININE ORDINAL> AA 9A 9A 9A C2.AA 80.51
<MASC. ORDINAL INDICATOR> BA 9B 9B 9B C2.BA 80.69
<SMALL LIGATURE ae> E6 9C 9C 9C C3.A6 8B.47
<CEDILLA> B8 9D 9D 9D C2.B8 80.67
<CAPITAL LIGATURE AE> C6 9E 9E 9E C3.86 8A.47
<CURRENCY SIGN> A4 9F 9F 9F C2.A4 80.45
<MICRO SIGN> B5 A0 A0 A0 C2.B5 80.64
~ 7E A1 A1 FF 7E A1 ##
s 73 A2 A2 A2 73 A2
t 74 A3 A3 A3 74 A3
u 75 A4 A4 A4 75 A4
v 76 A5 A5 A5 76 A5
w 77 A6 A6 A6 77 A6
x 78 A7 A7 A7 78 A7
y 79 A8 A8 A8 79 A8
z 7A A9 A9 A9 7A A9
<INVERTED "!" > A1 AA AA AA C2.A1 80.42
<INVERTED QUESTION MARK> BF AB AB AB C2.BF 80.73
<CAPITAL LETTER ETH> D0 AC AC AC C3.90 8A.57
[ 5B BA AD BB 5B AD ** ##
<CAPITAL LETTER THORN> DE AE AE AE C3.9E 8A.72
<REGISTERED TRADE MARK> AE AF AF AF C2.AE 80.55
<NOT SIGN> AC 5F B0 BA C2.AC 80.53 ** ##
<POUND SIGN> A3 B1 B1 B1 C2.A3 80.44
<YEN SIGN> A5 B2 B2 B2 C2.A5 80.46
<MIDDLE DOT> B7 B3 B3 B3 C2.B7 80.66
<COPYRIGHT SIGN> A9 B4 B4 B4 C2.A9 80.4A
<SECTION SIGN> A7 B5 B5 B5 C2.A7 80.48
<PARAGRAPH SIGN> B6 B6 B6 B6 C2.B6 80.65
<FRACTION ONE QUARTER> BC B7 B7 B7 C2.BC 80.70
<FRACTION ONE HALF> BD B8 B8 B8 C2.BD 80.71
<FRACTION THREE QUARTERS> BE B9 B9 B9 C2.BE 80.72
<Y WITH ACUTE> DD AD BA AD C3.9D 8A.71 ** ##
<DIAERESIS> A8 BD BB 79 C2.A8 80.49 ** ##
<MACRON> AF BC BC A1 C2.AF 80.56 ##
] 5D BB BD BD 5D BD **
<ACUTE ACCENT> B4 BE BE BE C2.B4 80.63
<MULTIPLICATION SIGN> D7 BF BF BF C3.97 8A.66
{ 7B C0 C0 FB 7B C0 ##
A 41 C1 C1 C1 41 C1
B 42 C2 C2 C2 42 C2
C 43 C3 C3 C3 43 C3
D 44 C4 C4 C4 44 C4
E 45 C5 C5 C5 45 C5
F 46 C6 C6 C6 46 C6
G 47 C7 C7 C7 47 C7
H 48 C8 C8 C8 48 C8
I 49 C9 C9 C9 49 C9
<SOFT HYPHEN> AD CA CA CA C2.AD 80.54
<o WITH CIRCUMFLEX> F4 CB CB CB C3.B4 8B.63
<o WITH DIAERESIS> F6 CC CC CC C3.B6 8B.65
<o WITH GRAVE> F2 CD CD CD C3.B2 8B.59
<o WITH ACUTE> F3 CE CE CE C3.B3 8B.62
<o WITH TILDE> F5 CF CF CF C3.B5 8B.64
} 7D D0 D0 FD 7D D0 ##
J 4A D1 D1 D1 4A D1
K 4B D2 D2 D2 4B D2
L 4C D3 D3 D3 4C D3
M 4D D4 D4 D4 4D D4
N 4E D5 D5 D5 4E D5
O 4F D6 D6 D6 4F D6
P 50 D7 D7 D7 50 D7
Q 51 D8 D8 D8 51 D8
R 52 D9 D9 D9 52 D9
<SUPERSCRIPT ONE> B9 DA DA DA C2.B9 80.68
<u WITH CIRCUMFLEX> FB DB DB DB C3.BB 8B.6A
<u WITH DIAERESIS> FC DC DC DC C3.BC 8B.70
<u WITH GRAVE> F9 DD DD C0 C3.B9 8B.68 ##
<u WITH ACUTE> FA DE DE DE C3.BA 8B.69
<y WITH DIAERESIS> FF DF DF DF C3.BF 8B.73
\ 5C E0 E0 BC 5C E0 ##
<DIVISION SIGN> F7 E1 E1 E1 C3.B7 8B.66
S 53 E2 E2 E2 53 E2
T 54 E3 E3 E3 54 E3
U 55 E4 E4 E4 55 E4
V 56 E5 E5 E5 56 E5
W 57 E6 E6 E6 57 E6
X 58 E7 E7 E7 58 E7
Y 59 E8 E8 E8 59 E8
Z 5A E9 E9 E9 5A E9
<SUPERSCRIPT TWO> B2 EA EA EA C2.B2 80.59
<O WITH CIRCUMFLEX> D4 EB EB EB C3.94 8A.63
<O WITH DIAERESIS> D6 EC EC EC C3.96 8A.65
<O WITH GRAVE> D2 ED ED ED C3.92 8A.59
<O WITH ACUTE> D3 EE EE EE C3.93 8A.62
<O WITH TILDE> D5 EF EF EF C3.95 8A.64
0 30 F0 F0 F0 30 F0
1 31 F1 F1 F1 31 F1
2 32 F2 F2 F2 32 F2
3 33 F3 F3 F3 33 F3
4 34 F4 F4 F4 34 F4
5 35 F5 F5 F5 35 F5
6 36 F6 F6 F6 36 F6
7 37 F7 F7 F7 37 F7
8 38 F8 F8 F8 38 F8
9 39 F9 F9 F9 39 F9
<SUPERSCRIPT THREE> B3 FA FA FA C2.B3 80.62
<U WITH CIRCUMFLEX> DB FB FB DD C3.9B 8A.6A ##
<U WITH DIAERESIS> DC FC FC FC C3.9C 8A.70
<U WITH GRAVE> D9 FD FD E0 C3.99 8A.68 ##
<U WITH ACUTE> DA FE FE FE C3.9A 8A.69
<APC> 9F FF FF 5F C2.9F FF ##ОПРЕДЕЛЕНИЕ НАБОРОВ КОДИРОВКИ СИМВОЛОВ
Возможно определить, в каком наборе кодировки символов вы работаете. Но сначала нужно быть абсолютно уверенным, что вам это нужно. Ваш код будет проще и, вероятно, так же портативен, если вам не придётся проверять набор кодировки и делать разные вещи в зависимости от него. На самом деле, есть лишь очень немного случаев, когда трудно написать код, который портативен для всех наборов кодировки. См. "Юникод и EBCDIC" в perluniintro для того, как портативно задавать символы.
Но есть некоторые случаи, когда вам может потребоваться узнать, в каком наборе кодировки вы работаете. Одним из возможных примеров является выполнение сортировки во вложенных циклах, где критически важна производительность.
Чтобы определить, работаете ли вы в ASCII или EBCDIC, вы можете использовать возвращаемое значение ord() или chr() для проверки одного или нескольких значений символов. Например:
$is_ascii = "A" eq chr(65);
$is_ebcdic = "A" eq chr(193);
$is_ascii = ord("A") == 65;
$is_ebcdic = ord("A") == 193;Нужно ещё меньше различать кодовые страницы EBCDIC, но для этого посмотрите на один или несколько символов, отличающихся между ними.
$is_ascii = ord('[') == 91;
$is_ebcdic_37 = ord('[') == 186;
$is_ebcdic_1047 = ord('[') == 173;
$is_ebcdic_POSIX_BC = ord('[') == 187;Однако было бы неразумно писать тесты, такие как:
$is_ascii = "\r" ne chr(13); # WRONG
$is_ascii = "\n" ne chr(10); # ILL ADVISEDОчевидно, что первый из них не сможет отличить большинство платформ ASCII от платформы CCSID 0037, 1047 или POSIX-BC EBCDIC, поскольку "\r" eq chr(13) на всех этих кодированных наборах символов. Но также обратите внимание, что, поскольку "\n" является chr(13) и "\r" является chr(10) на старых Macintosh (которая является платформой ASCII), второй $is_ascii тест приведёт к проблемам там.
Чтобы определить, была ли Perl скомпилирована под кодовой страницей EBCDIC, можно использовать модуль Config следующим образом:
use Config;
$is_ebcdic = $Config{'ebcdic'} eq 'define';ПРЕОБРАЗОВАНИЯ
utf8::unicode_to_native() и utf8::native_to_unicode()
Эти функции принимают числовой код символа на одном кодировании и возвращают его эквивалентное значение в другом.
См. utf8.
tr///
Для преобразования строки символов из одного набора символов в другой достаточно простого списка чисел, как в правых столбцах в таблице выше, вместе с оператором tr/// Perl. Данные в таблице упорядочены по ASCII/Latin1, поэтому столбцы EBCDIC обеспечивают простые операции преобразования ASCII/Latin1 в EBCDIC, которые также легко обратимы.
Например, чтобы преобразовать ASCII/Latin1 в кодовую страницу 037, возьмите выходные данные второго столбца чисел из рецепта 2 (изменённые для добавления "\" символов) и используйте их в tr/// следующим образом:
$cp_037 =
'\x00\x01\x02\x03\x37\x2D\x2E\x2F\x16\x05\x25\x0B\x0C\x0D\x0E\x0F' .
'\x10\x11\x12\x13\x3C\x3D\x32\x26\x18\x19\x3F\x27\x1C\x1D\x1E\x1F' .
'\x40\x5A\x7F\x7B\x5B\x6C\x50\x7D\x4D\x5D\x5C\x4E\x6B\x60\x4B\x61' .
'\xF0\xF1\xF2\xF3\xF4\xF5\xF6\xF7\xF8\xF9\x7A\x5E\x4C\x7E\x6E\x6F' .
'\x7C\xC1\xC2\xC3\xC4\xC5\xC6\xC7\xC8\xC9\xD1\xD2\xD3\xD4\xD5\xD6' .
'\xD7\xD8\xD9\xE2\xE3\xE4\xE5\xE6\xE7\xE8\xE9\xBA\xE0\xBB\xB0\x6D' .
'\x79\x81\x82\x83\x84\x85\x86\x87\x88\x89\x91\x92\x93\x94\x95\x96' .
'\x97\x98\x99\xA2\xA3\xA4\xA5\xA6\xA7\xA8\xA9\xC0\x4F\xD0\xA1\x07' .
'\x20\x21\x22\x23\x24\x15\x06\x17\x28\x29\x2A\x2B\x2C\x09\x0A\x1B' .
'\x30\x31\x1A\x33\x34\x35\x36\x08\x38\x39\x3A\x3B\x04\x14\x3E\xFF' .
'\x41\xAA\x4A\xB1\x9F\xB2\x6A\xB5\xBD\xB4\x9A\x8A\x5F\xCA\xAF\xBC' .
'\x90\x8F\xEA\xFA\xBE\xA0\xB6\xB3\x9D\xDA\x9B\x8B\xB7\xB8\xB9\xAB' .
'\x64\x65\x62\x66\x63\x67\x9E\x68\x74\x71\x72\x73\x78\x75\x76\x77' .
'\xAC\x69\xED\xEE\xEB\xEF\xEC\xBF\x80\xFD\xFE\xFB\xFC\xAD\xAE\x59' .
'\x44\x45\x42\x46\x43\x47\x9C\x48\x54\x51\x52\x53\x58\x55\x56\x57' .
'\x8C\x49\xCD\xCE\xCB\xCF\xCC\xE1\x70\xDD\xDE\xDB\xDC\x8D\x8E\xDF';
my $ebcdic_string = $ascii_string;
eval '$ebcdic_string =~ tr/\000-\377/' . $cp_037 . '/';Чтобы преобразовать из EBCDIC 037 в ASCII, просто измените порядок аргументов tr/// следующим образом:
my $ascii_string = $ebcdic_string;
eval '$ascii_string =~ tr/' . $cp_037 . '/\000-\377/';Аналогично, можно взять выходные данные третьего столбца чисел из рецепта 2 для получения $cp_1047 таблицы. Четвёртый столбец чисел из выходных данных рецепта 2 может предоставить $cp_posix_bc таблицу, подходящую для транскодирования.
Если вы хотите увидеть обратные таблицы, вам сначала нужно отсортировать по нужному столбцу чисел, как в рецептах 4, 5 или 6, а затем взять выходные данные первого столбца чисел.
iconv
XPG-совместимость часто подразумевает наличие утилиты iconv, доступной из оболочки или из библиотеки C. Обратитесь к документации вашей системы для получения информации об iconv.
В OS/390 или z/OS см. страницу справки iconv(1). Один из способов вызвать утилиту iconv оболочки изнутри Perl — это:
# OS/390 or z/OS example
$ascii_data = `echo '$ebcdic_data'| iconv -f IBM-1047 -t ISO8859-1`или обратное отображение:
# OS/390 or z/OS example
$ebcdic_data = `echo '$ascii_data'| iconv -f ISO8859-1 -t IBM-1047`Для других вариантов преобразования на основе Perl см. модули Convert::* в CPAN.
C RTL
Библиотеки времени выполнения C OS/390 и z/OS предоставляют _atoe() и _etoa() функции.
РАЗЛИЧИЯ В ОПЕРАТОРАХ
Оператор диапазона .. обращается с определёнными диапазонами символов осторожно на платформах EBCDIC. Например, следующий массив будет содержать двадцать шесть элементов как на платформе EBCDIC, так и на платформе ASCII:
@alphabet = ('A'..'Z'); # $#alphabet == 25Битовые операторы, такие как & ^ |, могут возвращать разные результаты при работе со строковым или символьным данными в программе Perl, выполняемой на платформе EBCDIC, по сравнению с выполнением на платформе ASCII. Вот пример, адаптированный из примера в perlop:
# EBCDIC-based examples
print "j p \n" ^ " a h"; # prints "JAPH\n"
print "JA" | " ph\n"; # prints "japh\n"
print "JAPH\nJunk" & "\277\277\277\277\277"; # prints "japh\n";
print 'p N$' ^ " E<H\n"; # prints "Perl\n";Интеревой особенностью 32 управляющих символов C0 в таблице ASCII является то, что они могут "буквально" быть построены как управляющие символы в Perl, например, (chr(0) eq \c@)> (chr(1) eq \cA)> и так далее. Perl на платформах EBCDIC был переписан для обработки \c@ до chr(0) и \cA до chr(1) и так далее, но результирующие символы зависят от используемой кодовой страницы. В таблице ниже используются стандартные аббревиатуры для управляющих символов. Наборы POSIX-BC и 1047 идентичны во всём этом диапазоне и отличаются от набора 0037 только в одном месте (21 в десятичной системе). Обратите внимание, что символ конца строки может быть сгенерирован \cJ на платформах ASCII, но \cU на платформах 1047 или POSIX-BC, и не может быть сгенерирован как "\c.letter." управляющий символ на платформах 0037. Также обратите внимание, что \c\ не может быть последним элементом в строке или регулярном выражении, так как он поглощает терминатор. Но \c\X это FILE SEPARATOR конкатенированное с X для всех X. Исключение \c? на ASCII, который даёт не-C0 управляющий DEL, даёт исключительный управляющий APC на EBCDIC, который не входит в блок смежных управляющих символов. Обратите внимание на тонкость: \c? на платформах ASCII — это символ ASCII, в то время как он не эквивалентен ни одному символу ASCII на платформах EBCDIC.
chr ord 8859-1 0037 1047 && POSIX-BC
-----------------------------------------------------------------------
\c@ 0 <NUL> <NUL> <NUL>
\cA 1 <SOH> <SOH> <SOH>
\cB 2 <STX> <STX> <STX>
\cC 3 <ETX> <ETX> <ETX>
\cD 4 <EOT> <ST> <ST>
\cE 5 <ENQ> <HT> <HT>
\cF 6 <ACK> <SSA> <SSA>
\cG 7 <BEL> <DEL> <DEL>
\cH 8 <BS> <EPA> <EPA>
\cI 9 <HT> <RI> <RI>
\cJ 10 <LF> <SS2> <SS2>
\cK 11 <VT> <VT> <VT>
\cL 12 <FF> <FF> <FF>
\cM 13 <CR> <CR> <CR>
\cN 14 <SO> <SO> <SO>
\cO 15 <SI> <SI> <SI>
\cP 16 <DLE> <DLE> <DLE>
\cQ 17 <DC1> <DC1> <DC1>
\cR 18 <DC2> <DC2> <DC2>
\cS 19 <DC3> <DC3> <DC3>
\cT 20 <DC4> <OSC> <OSC>
\cU 21 <NAK> <NEL> <LF> **
\cV 22 <SYN> <BS> <BS>
\cW 23 <ETB> <ESA> <ESA>
\cX 24 <CAN> <CAN> <CAN>
\cY 25 <EOM> <EOM> <EOM>
\cZ 26 <SUB> <PU2> <PU2>
\c[ 27 <ESC> <SS3> <SS3>
\c\X 28 <FS>X <FS>X <FS>X
\c] 29 <GS> <GS> <GS>
\c^ 30 <RS> <RS> <RS>
\c_ 31 <US> <US> <US>
\c? * <DEL> <APC> <APC>* Примечание: \c? отображается в порядке 127 (DEL) на платформах ASCII, но поскольку порядок 127 — это не управляющий символ на машинах EBCDIC, \c? вместо этого отображается на них как APC, что составляет 255 в 0037 и 1047 и 95 в POSIX-BC.
РАЗЛИЧИЯ В ФУНКЦИЯХ
-
chr() -
chr()необходимо указать числовое значение EBCDIC, чтобы получить желаемое возвращаемое значение символа на платформе EBCDIC. Например:$CAPITAL_LETTER_A = chr(193); -
ord() -
ord()возвратит числовые значения EBCDIC на платформе EBCDIC. Например:$the_number_193 = ord("A"); -
pack() -
Шаблоны
"c"и"C"дляpack()зависят от кодирования набора символов. Примеры использования на EBCDIC включают:$foo = pack("CCCC",193,194,195,196); # $foo eq "ABCD" $foo = pack("C4",193,194,195,196); # same thing $foo = pack("ccxxcc",193,194,195,196); # $foo eq "AB\0\0CD"Шаблон
"U"был переписан, чтобы означать "Unicode" на всех платформах, поэтомуpack("U", 65) eq 'A'является истинным на всех платформах. Если вам нужны кодовые точки кодировки по умолчанию для первых 256 символов, используйте шаблон
"W". Это означает, что эквивалентностиpack("W", ord($character)) eq $character unpack("W", $character) == ord $characterбудут верны.
-
print() -
Следует проявлять осторожность при передаче скаляров и строк в print, содержащих кодировки ASCII. Одно из распространённых мест возникновения этой ситуации — выходные данные заголовка типа MIME для написания скриптов CGI. Например, многие руководства по программированию на Perl рекомендуют что-то вроде:
print "Content-type:\ttext/html\015\012\015\012"; # this may be wrong on EBCDICВы можете вместо этого написать
print "Content-type:\ttext/html\r\n\r\n"; # OK for DGW et alи это будет работать на всех платформах.
Это происходит потому, что преобразование из EBCDIC в ASCII в этом случае выполняется веб-сервером. Обратитесь к документации вашего веб-сервера для получения дополнительной информации.
-
printf() -
Форматы, которые могут преобразовывать символы в числа и наоборот, будут отличаться от своих аналогов ASCII при выполнении на платформе EBCDIC. Примеры включают:
printf("%c%c%c",193,194,195); # prints ABC -
sort() -
Результаты сортировки EBCDIC могут отличаться от результатов сортировки ASCII, особенно для строк с смешанным регистром. Это обсуждается более подробно ниже.
-
sprintf() -
См. обсуждение
"printf()"выше. Пример использования sprintf:$CAPITAL_LETTER_A = sprintf("%c",193); -
unpack() -
См. обсуждение
"pack()"выше.
Обратите внимание, что возможно написать портативный код для этих функций, указав вещи в числовых значениях Unicode и используя функцию преобразования:
printf("%c",utf8::unicode_to_native(65)); # prints A on all
# platforms
print utf8::native_to_unicode(ord("A")); # Likewise, prints 65См. "Unicode и EBCDIC" в perluniintro и "ПРЕОБРАЗОВАНИЯ" для других вариантов.
РАЗЛИЧИЯ В РЕГУЛЯРНЫХ ВЫРАЖЕНИЯХ
Вы можете писать свои регулярные выражения так же, как это делали бы люди на платформах ASCII. Но имейте в виду, что использование восьмеричного или шестнадцатеричного обозначения для указания конкретной кодовой точки даст вам символ, который кодовая страница EBCDIC отображает для него нативно. (Это также верно для всех строк в двойных кавычках.) Если вы хотите написать портативный код, просто используйте обозначение \N{U+...} везде, где вы использовали бы \x{...}, и не используйте восьмеричное обозначение вообще.
Начиная с Perl v5.22, это относится к диапазонам в квадратных скобках. Например, если вы скажете qr/[\N{U+20}-\N{U+7F}]/, это означает символы \N{U+20}, \N{U+21}, ..., \N{U+7F}. Этот диапазон содержит все печатные символы набора символов ASCII.
До версии v5.22 вы не могли указать никакие диапазоны, портативные кроме (начав с Perl v5.5.3) всех подмножеств диапазонов [A-Z] и [a-z] специально разработаны, чтобы не захватывать промежуточные символы. Например, символы, такие как "ô" (o WITH CIRCUMFLEX), которые находятся между "I" и "J", не будут совпадать с регулярным выражением диапазона /[H-K]/. Но если хотя бы один из границ диапазона явно числовой (и ни один не указан \N{U+...}), промежуточные символы совпадают:
/[\x89-\x91]/будет совпадать с \x8e, даже если \x89 это "i" и \x91 это "j", а \x8e — это промежуточный символ с точки зрения алфавита.
Ещё одна конструкция, на которую стоит обратить внимание, это неверное использование шестнадцатеричных (если не используется \N{U+...}) или восьмеричных констант в регулярных выражениях. Рассмотрим следующий набор подпрограмм:
sub is_c0 {
my $char = substr(shift,0,1);
$char =~ /[\000-\037]/;
}
sub is_print_ascii {
my $char = substr(shift,0,1);
$char =~ /[\040-\176]/;
}
sub is_delete {
my $char = substr(shift,0,1);
$char eq "\177";
}
sub is_c1 {
my $char = substr(shift,0,1);
$char =~ /[\200-\237]/;
}
sub is_latin_1 { # But not ASCII; not C1
my $char = substr(shift,0,1);
$char =~ /[\240-\377]/;
}Они верны только на платформах ASCII. Начиная с Perl v5.22, простое изменение восьмеричных констант на эквивалентные \N{U+...} значения делает их портативными:
sub is_c0 {
my $char = substr(shift,0,1);
$char =~ /[\N{U+00}-\N{U+1F}]/;
}
sub is_print_ascii {
my $char = substr(shift,0,1);
$char =~ /[\N{U+20}-\N{U+7E}]/;
}
sub is_delete {
my $char = substr(shift,0,1);
$char eq "\N{U+7F}";
}
sub is_c1 {
my $char = substr(shift,0,1);
$char =~ /[\N{U+80}-\N{U+9F}]/;
}
sub is_latin_1 { # But not ASCII; not C1
my $char = substr(shift,0,1);
$char =~ /[\N{U+A0}-\N{U+FF}]/;
}И вот некоторые альтернативные портативные способы их написания:
sub Is_c0 {
my $char = substr(shift,0,1);
return $char =~ /[[:cntrl:]]/a && ! Is_delete($char);
# Alternatively:
# return $char =~ /[[:cntrl:]]/
# && $char =~ /[[:ascii:]]/
# && ! Is_delete($char);
}
sub Is_print_ascii {
my $char = substr(shift,0,1);
return $char =~ /[[:print:]]/a;
# Alternatively:
# return $char =~ /[[:print:]]/ && $char =~ /[[:ascii:]]/;
# Or
# return $char
# =~ /[ !"\#\$%&'()*+,\-.\/0-9:;<=>?\@A-Z[\\\]^_`a-z{|}~]/;
}
sub Is_delete {
my $char = substr(shift,0,1);
return utf8::native_to_unicode(ord $char) == 0x7F;
}
sub Is_c1 {
use feature 'unicode_strings';
my $char = substr(shift,0,1);
return $char =~ /[[:cntrl:]]/ && $char !~ /[[:ascii:]]/;
}
sub Is_latin_1 { # But not ASCII; not C1
use feature 'unicode_strings';
my $char = substr(shift,0,1);
return ord($char) < 256
&& $char !~ /[[:ascii:]]/
&& $char !~ /[[:cntrl:]]/;
}Ещё один способ записать Is_latin_1() — это использовать символы в диапазоне явно:
sub Is_latin_1 {
my $char = substr(shift,0,1);
$char =~ /[ ¡¢£¤¥¦§¨©ª«¬®¯°±²³´µ¶·¸¹º»¼½¾¿ÀÁÂÃÄÅÆÇÈÉÊËÌÍÎÏ]
[ÐÑÒÓÔÕÖ×ØÙÚÛÜÝÞßàáâãäåæçèéêëìíîïðñòóôõö÷øùúûüýþÿ]/x;
}Хотя эта форма может столкнуться с проблемами при передаче по сети (из-за наличия символов с 8 битами) или на наборах символов, не являющихся ISO-Latin. Но это позволяет Is_c1 быть переписанным так, чтобы он работал в Perl, не имеющем 'unicode_strings' (раньше v5.14):
sub Is_latin_1 { # But not ASCII; not C1
my $char = substr(shift,0,1);
return ord($char) < 256
&& $char !~ /[[:ascii:]]/
&& ! Is_latin1($char);
}СОКЕТЫ
Большинство программ работы с сокетами предполагает кодирование символов ASCII в сетевом порядке байтов. Исключением могут быть сценарии CGI на хост-веб-сервере, где сервер может позаботиться о преобразовании за вас. Большинство хост-веб-серверов преобразуют данные EBCDIC в ISO-8859-1 или Unicode при выводе.
СОРТИРОВКА
Одно из основных различий между наборами символов ASCII и EBCDIC заключается в относительных позициях символов при сортировке в естественном порядке. Наиболее важны прописные и строчные буквы, цифры и символ подчёркивания ("_"). В платформах ASCII естественный порядок сортировки располагает цифры перед заглавными буквами, которые предшествуют знаку подчёркивания, а тот, в свою очередь, идёт перед строчными буквами. В EBCDIC сначала идёт символ подчёркивания, затем строчные буквы, потом заглавные и, наконец, цифры. Если сортировать на платформе ASCII, то двухбуквенное сокращение для врача будет предшествовать двухбуквенному сокращению для дорожки; то есть:
@sorted = sort(qw(Dr. dr.)); # @sorted holds ('Dr.','dr.') on ASCII,
# but ('dr.','Dr.') on EBCDICСвойство строчных букв перед прописными в EBCDIC сохраняется и для страниц Latin 1 EBCDIC, таких как 0037 и 1047. Например, «Ë» (E WITH DIAERESIS, 203) предшествует «ë» (e WITH DIAERESIS, 235) на платформе ASCII, но последнее (83) предшествует первому (115) на платформе EBCDIC. (Внимательные читатели заметят, что заглавная форма «ß» SMALL LETTER SHARP S — это просто «SS», а заглавные версии «ÿ» (маленькая y WITH DIAERESIS) и «µ» (MICRO SIGN) находятся не в диапазоне 0..255, а в Unicode, в Perl, поддерживающем Unicode).
Порядок сортировки будет вызывать различия между результатами, полученными на платформах ASCII и EBCDIC. Ниже приведены некоторые рекомендации по работе с этими различиями.
Игнорирование различий в сортировке ASCII и EBCDIC.
Это наименее вычислительно затратный метод. Он может потребовать некоторого обучения пользователей.
Использование вспомогательной функции сортировки
Это полностью универсальный, но наиболее вычислительно затратный метод. Выбирайте один из наборов символов и преобразуйте его для каждого сравнения при сортировке. Вот полный пример преобразования в порядок сортировки ASCII:
sub native_to_uni($) {
my $string = shift;
# Saves time on an ASCII platform
return $string if ord 'A' == 65;
my $output = "";
for my $i (0 .. length($string) - 1) {
$output
.= chr(utf8::native_to_unicode(ord(substr($string, $i, 1))));
}
# Preserve utf8ness of input onto the output, even if it didn't need
# to be utf8
utf8::upgrade($output) if utf8::is_utf8($string);
return $output;
}
sub ascii_order { # Sort helper
return native_to_uni($a) cmp native_to_uni($b);
}
sort ascii_order @list;ПРЕОБРАЗОВАНИЕ В ЕДИНЫЙ РЕГИСТР, ЗАТЕМ СОРТИРОВКА ДАННЫХ (ДЛЯ НЕ ЦИФР И НЕ ПОДЧЁРКИВАНИЯ)
Если вам не важно, куда будут сортироваться цифры и символ подчёркивания, можно сделать следующее
sub case_insensitive_order { # Sort helper
return lc($a) cmp lc($b)
}
sort case_insensitive_order @list;Если производительность является проблемой, и вам не нужно, чтобы результат был в том же регистре, что и входные данные, используйте tr/// для преобразования в регистр, наиболее часто используемый в данных. Если данные преимущественно в ПРОПИСНЫХ буквах и не относятся к Latin1, примените tr/[a-z]/[A-Z]/, а затем sort(). Если данные преимущественно в строчных буквах и не относятся к Latin1, то примените tr/[A-Z]/[a-z]/ перед сортировкой. Если данные преимущественно в ПРОПИСНЫХ буквах и включают символы Latin-1, примените:
tr/[a-z]/[A-Z]/;
tr/[àáâãäåæçèéêëìíîïðñòóôõöøùúûüýþ]/[ÀÁÂÃÄÅÆÇÈÉÊËÌÍÎÏÐÑÒÓÔÕÖØÙÚÛÜÝÞ/;
s/ß/SS/g;затем sort(). Если есть выбор, лучше преобразовать данные в строчные буквы, чтобы избежать проблем с двумя символами Latin-1, у которых заглавные версии находятся вне Latin-1: «ÿ» (маленькая y WITH DIAERESIS) и «µ» (MICRO SIGN). Если вам всё же нужно преобразовать в прописные буквы, в Perl, поддерживающем Unicode, вы можете сделать:
tr/ÿ/\x{178}/;
tr/µ/\x{39C}/;Выполнять сортировку только на одном типе платформы.
Этот метод может использовать подключение к сети. Поэтому он будет вычислительно затратным.
ФОРМАТЫ ПРЕОБРАЗОВАНИЯ
Существует множество способов преобразования данных с помощью внутренней карты символов, которые служат различным целям. Сортировка обсуждалась в предыдущем разделе, а несколько других популярных методов отображения обсуждаются далее.
Декодирование и кодирование URL
Обратите внимание, что некоторые URL-адреса содержат шестнадцатеричные коды ASCII в попытке преодолеть проблемы с символами или протоколом. Например, символ тильды отсутствует на каждой клавиатуре, поэтому URL-адрес следующего вида:
http://www.pvhp.com/~pvhp/может также быть выражен как один из следующих:
http://www.pvhp.com/%7Epvhp/
http://www.pvhp.com/%7epvhp/где 7E — шестнадцатеричный код ASCII для «~». Вот пример декодирования такого URL-адреса в любой кодовой странице EBCDIC:
$url = 'http://www.pvhp.com/%7Epvhp/';
$url =~ s/%([0-9a-fA-F]{2})/
pack("c",utf8::unicode_to_native(hex($1)))/xge;И наоборот, вот частичное решение задачи кодирования такого URL-адреса в любой кодовой странице EBCDIC:
$url = 'http://www.pvhp.com/~pvhp/';
# The following regular expression does not address the
# mappings for: ('.' => '%2E', '/' => '%2F', ':' => '%3A')
$url =~ s/([\t "#%&\(\),;<=>\?\@\[\\\]^`{|}~])/
sprintf("%%%02X",utf8::native_to_unicode(ord($1)))/xge;где более полное решение разбило бы URL-адрес на компоненты и применило бы полную замену s/// только к соответствующим частям.
Кодирование и декодирование uu
Шаблон u в pack() или unpack() отобразит данные EBCDIC в символах EBCDIC, эквивалентных их аналогам ASCII. Например, следующее выведет «Да, определённо\n» как на компьютере ASCII, так и на компьютере EBCDIC:
$all_byte_chrs = '';
for (0..255) { $all_byte_chrs .= chr($_); }
$uuencode_byte_chrs = pack('u', $all_byte_chrs);
($uu = <<'ENDOFHEREDOC') =~ s/^\s*//gm;
M``$"`P0%!@<("0H+#`T.#Q`1$A,4%187&!D:&QP='A\@(2(C)"4F)R@I*BLL
M+2XO,#$R,S0U-C<X.3H[/#T^/T!!0D-$149'2$E*2TQ-3D]045)35%565UA9
M6EM<75Y?8&%B8V1E9F=H:6IK;&UN;W!Q<G-T=79W>'EZ>WQ]?G^`@8*#A(6&
MAXB)BHN,C8Z/D)&2DY25EI>8F9J;G)V>GZ"AHJ.DI::GJ*FJJZRMKJ^PL;*S
MM+6VM[BYNKN\O;Z_P,'"P\3%QL?(R<K+S,W.S]#1TM/4U=;7V-G:V]S=WM_@
?X>+CY.7FY^CIZNOL[>[O\/'R\_3U]O?X^?K[_/W^_P``
ENDOFHEREDOC
if ($uuencode_byte_chrs eq $uu) {
print "Yes ";
}
$uudecode_byte_chrs = unpack('u', $uuencode_byte_chrs);
if ($uudecode_byte_chrs eq $all_byte_chrs) {
print "indeed\n";
}Вот очень простая программа-декодер uu, которая будет работать в EBCDIC:
#!/usr/local/bin/perl
$_ = <> until ($mode,$file) = /^begin\s*(\d*)\s*(\S*)/;
open(OUT, "> $file") if $file ne "";
while(<>) {
last if /^end/;
next if /[a-z]/;
next unless int((((utf8::native_to_unicode(ord()) - 32 ) & 077)
+ 2) / 3)
== int(length() / 4);
print OUT unpack("u", $_);
}
close(OUT);
chmod oct($mode), $file;Кодирование и декодирование Quoted-Printable
На платформах с кодировкой ASCII можно удалить символы, не входящие в напечатанный набор, используя:
# This QP encoder works on ASCII only
$qp_string =~ s/([=\x00-\x1F\x80-\xFF])/
sprintf("=%02X",ord($1))/xge;Начиная с Perl v5.22, это тривиально изменяется, чтобы работать портируемо на платформах как ASCII, так и EBCDIC.
# This QP encoder works on both ASCII and EBCDIC
$qp_string =~ s/([=\N{U+00}-\N{U+1F}\N{U+80}-\N{U+FF}])/
sprintf("=%02X",ord($1))/xge;Для более ранних версий Perl, кодер QP, работающий на платформах как ASCII, так и EBCDIC, будет выглядеть примерно так:
$delete = utf8::unicode_to_native(ord("\x7F"));
$qp_string =~
s/([^[:print:]$delete])/
sprintf("=%02X",utf8::native_to_unicode(ord($1)))/xage;(хотя в производственном коде замены могли бы выполняться в ветке EBCDIC с вызовом функции и отдельно в ветке ASCII без накладных расходов на отображение тождества; в Perl v5.22 отображение тождества оптимизировано, поэтому нет никаких расходов, но альтернатива выше проще и также доступна в v5.22).
Такие строки QP можно декодировать с помощью:
# This QP decoder is limited to ASCII only
$string =~ s/=([[:xdigit:][[:xdigit:])/chr hex $1/ge;
$string =~ s/=[\n\r]+$//;В то время как декодер QP, работающий на платформах как ASCII, так и EBCDIC, будет выглядеть примерно так:
$string =~ s/=([[:xdigit:][:xdigit:]])/
chr utf8::native_to_unicode(hex $1)/xge;
$string =~ s/=[\n\r]+$//;Шифры Цезаря
Практика сдвига алфавита на один или несколько символов для шифрования насчитывает тысячи лет и была подробно описана Гаем Юлием Цезарем в его тексте «Записки о Галльской войне». Однобуквенный сдвиг иногда называют поворотом, а величину сдвига обозначают числом $n после строки 'rot' или "rot$n". Rot0 и rot26 обозначают отображения тождества для 26-буквенной английской версии латинского алфавита. Rot13 обладает интересным свойством, что последующие вызовы являются отображениями тождества (следовательно, rot13 является собственным нетривиальным обратным элементом в группе 26 поворотов алфавита). Таким образом, следующее — это кодер и декодер rot13, который будет работать на платформах ASCII и EBCDIC:
#!/usr/local/bin/perl
while(<>){
tr/n-za-mN-ZA-M/a-zA-Z/;
print;
}В виде однострочника:
perl -ne 'tr/n-za-mN-ZA-M/a-zA-Z/;print'Порядок хеширования и контрольные суммы
Perl преднамеренно делает порядок хеширования случайным для обеспечения безопасности на платформах как ASCII, так и EBCDIC.
Контрольные суммы EBCDIC будут отличаться для одного и того же файла, преобразованного в ASCII и наоборот.
I18N И L10N
Международная поддержка (I18N) и локализация (L10N) поддерживаются, по крайней мере, в принципе, даже на платформах EBCDIC. Подробности зависят от системы и обсуждаются в разделе "ПРОБЛЕМЫ С ОПЕРАЦИОННЫМИ СИСТЕМАМИ" ниже.
НАБОРЫ СИМВОЛОВ С МНОЖЕСТВОМ БАЙТ
Perl работает с UTF-EBCDIC, многобайтовой кодировкой. В Perl-версиях, более ранних, чем v5.22, могут быть различные ошибки в этом отношении.
Устаревшие многобайтовые кодовые страницы EBCDIC XXX.
ПРОБЛЕМЫ С ОПЕРАЦИОННЫМИ СИСТЕМАМИ
Для программистов Perl на EBCDIC могут возникнуть несколько проблем, зависящих от системы.
OS/400
- PASE
-
Окружение PASE — это среда выполнения для OS/400, которая может запускать исполняемые файлы, созданные для PowerPC AIX в OS/400; см. perlos400. PASE основана на ASCII, а не на EBCDIC, как ILE.
- Доступ к IFS
-
XXX.
OS/390, z/OS
Perl работает под Unix Systems Services или USS.
sigaction-
SA_SIGINFOможет привести к сбоям сегментации. chcp-
chcp поддерживается как утилита оболочки для отображения и изменения кодовой страницы. См. также chcp(1).
- Доступ к наборам данных
-
Для последовательного доступа к набору данных попробуйте:
my @ds_records = `cat //DSNAME`;или:
my @ds_records = `cat //'HLQ.DSNAME'`;См. также модуль OS390::Stdio на CPAN.
iconv-
iconv поддерживается как утилита оболочки, так и C RTL-функция. См. также справочные страницы iconv(1) и iconv(3).
- Локали
-
Локали поддерживаются. Могут быть сбои, когда локаль — это другая кодовая страница EBCDIC, которая размещает некоторые символы кодовой страницы в других позициях.
В настоящее время нет реальных UTF-8 локалей, даже если в некоторых именах локалей содержится строка «UTF-8».
См. perllocale для получения информации о локалях. Файлы L10N находятся в /usr/nls/locale.
$Config{d_setlocale}является'define'в OS/390 или z/OS.
POSIX-BC?
XXX.
ОШИБКИ
-
Не все оболочки позволят правильно объединить несколько аргументов строки
-eдля perl, как предполагают рецепты в этом документе 0, 2, 4, 5 и 6. -
В модулях, не являющихся в основном модулями Perl 5, в модулях CPAN, поставляемых с Perl v5.22 и 5.24, имеется значительное количество ошибок тестирования. Некоторые из них — это ошибки только в тестах: они не понимают, что на платформах EBCDIC можно получать разные результаты. И некоторые из ошибок — реальные ошибки. Если вы компилируете и выполняете
make testна Perl, все тесты в каталоге/cpanпропускаются.Encode частично работает.
-
В более ранних версиях Perl при конкатенации байтовых и символьных данных новая строка иногда создавалась путём декодирования байтовых строк как ISO 8859-1 (Latin-1), даже если старая строка Unicode использовала EBCDIC.
См. также
perllocale, perlfunc, perlunicode, utf8.
СПИСОК ЛИТЕРАТУРЫ
http://anubis.dkuug.dk/i18n/charmaps
http://www.unicode.org/unicode/reports/tr16/
http://www.wps.com/projects/codes/ ASCII: American Standard Code for Information Infiltration Том Дженнингс, сентябрь 1999.
The Unicode Standard, Version 3.0 Консорциум Unicode, Лиза Мур ред., ISBN 0-201-61633-5, Addison Wesley Developers Press, февраль 2000.
CDRA: IBM - Character Data Representation Architecture - Reference and Registry, IBM SC09-2190-00, декабрь 1996.
«Раскрытие тайн наборов символов», Андреа Вайн, Multilingual Computing & Technology, #26 Vol. 10 Issue 4, август/сентябрь 1999; ISSN 1523-0309; Multilingual Computing Inc. Сандпойнт, штат Айдахо, США.
Codes, Ciphers, and Other Cryptic and Clandestine Communication Фред Б. Вриксен, ISBN 1-57912-040-7, Black Dog & Leventhal Publishers, 1998.
END_OF_DOCUMENT_MARKERhttp://www.bobbemer.com/P-BIT.HTM IBM - EBCDIC и бит P; Самая большая ошибка в вычислительной технике Роберт Бемер.
HISTORY
15 апреля 2001: добавлены UTF-8 и UTF-EBCDIC в основную таблицу, pvhp.
AUTHOR
Питер Приммер pvhp@best.com написал это в 1999 и 2000 годах с помощью CCSID 0819 и 0037 при содействии Криса Лича и Андре Пирарда A.Pirard@ulg.ac.be, а также помощи POSIX-BC от Томаса Дорнера Thomas.Dorner@start.de. Также выражаем благодарность Вики Купер, Филипу Ньютону, Уильяму Раффлоеру и Джо Смиту. Торговые марки, зарегистрированные торговые марки, знаки обслуживания и зарегистрированные знаки обслуживания, используемые в данном документе, являются собственностью соответствующих владельцев.
Сейчас поддерживается Perl5 Porters.
© 1993–2020 Larry Wall and others
Licensed under the GNU General Public License version 1 or later, or the Artistic License.
The Perl logo is a trademark of the Perl Foundation.
https://perldoc.perl.org/5.28.3/perlebcdic
