: utf8
perlio :utf8
warstwa jest warstwą pseudo, to po prostu flaga na perlio obsłużyć której OP wykrycia. Zachowanie zmienia się w zależności od stosowanej OP:
odczytu() sysread() i recv():
W implementation nie wykonuje walidację sekwencji utf8. Implementacja only checks the prefix octet sekwencji utf8 do zliczania liczby odczytanych sekwencji utf8.
readline():
implementation sprawdza oktetów odczytu if the warnings kategorię 'utf8'
jest w rzeczywistości i wysyła ostrzeżenie, jeśli oktety odczytu zawiera źle utworzone utf8. Zastosowana procedura sprawdzania poprawności jest taka sama, jak użyta w utf8::decode()
.
Flaga/warstwa ": utf8" nigdy nie powinny być używane do odczytu, chyba że jesteś skłonny zaakceptować Złe sformatowanie UTF-X, które może prowadzić do security issues lub błędów segmentacji.
: kodowanie
perlio :encoding
warstwa zapewnia PerlIO::encoding realizujący przyrostowej ramy dekoderem podklas Encode::Encoding. implementation wywołuje podklasę Perl/XS, wywołując metodę dla każdego przyrostowego dekodowania. Bufory są kopiowane między warstwą a podklasą.
utf8 vs UTF-8
Postać kodowania utf8 rozszerzeniem UTF-8 tworzą kodowania wskazanym przez Unicode Consortium. Forma kodowania utf8 akceptuje kodowane punkty kodowe źle sformułowane w formie kodującej UTF-8, takie jak surrogates i punkty kodowe powyżej U + 10FFFF. Non-characters należy również unikać, mimo że Unicode recently changed ich umysł. Kodowanie utf8 nie powinno być używane do wymiany, to wewnętrzne kodowanie Perla. Zamiast tego użyj formatu kodowania UTF-8.
Wzorzec slurping UTF-8 plikowi
modułów stosowanych w teście:
PerlIO::encoding, PerlIO::utf8_strict, Encode i Unicode::UTF8.
Poniższy kod jest również dostępny pod numerem gist.github.com.
#!/usr/bin/perl
use strict;
use warnings;
use Benchmark qw[];
use Config qw[%Config];
use IO::Dir qw[];
use IO::File qw[SEEK_SET];
use Encode qw[];
use Unicode::UTF8 qw[];
use PerlIO::encoding qw[];
use PerlIO::utf8_strict qw[];
# https://github.com/chansen/p5-unicode-utf8/tree/master/benchmarks/data
my $dir = 'benchmarks/data';
my @docs = do {
my $d = IO::Dir->new($dir)
or die qq/Could not open directory '$dir': $!/;
sort grep { /^[a-z]{2}\.txt/ } $d->read;
};
printf "perl: %s (%s %s)\n", $], @Config{qw[osname osvers]};
printf "Encode: %s\n", Encode->VERSION;
printf "Unicode::UTF8: %s\n", Unicode::UTF8->VERSION;
printf "PerlIO::encoding: %s\n", PerlIO::encoding->VERSION;
printf "PerlIO::utf8_strict: %s\n", PerlIO::utf8_strict->VERSION;
foreach my $doc (@docs) {
my $octets = do {
open my $fh, '<:raw', "$dir/$doc" or die $!;
local $/; <$fh>;
};
my $string = Unicode::UTF8::decode_utf8($octets);
my @ranges = (
[ 0x00, 0x7F, qr/[\x{00}-\x{7F}]/ ],
[ 0x80, 0x7FF, qr/[\x{80}-\x{7FF}]/ ],
[ 0x800, 0xFFFF, qr/[\x{800}-\x{FFFF}]/ ],
[ 0x10000, 0x10FFFF, qr/[\x{10000}-\x{10FFFF}]/ ],
);
my @out;
foreach my $r (@ranges) {
my ($start, $end, $regexp) = @$r;
my $count =() = $string =~ m/$regexp/g;
push @out, sprintf "U+%.4X..U+%.4X: %d", $start, $end, $count
if $count;
}
printf "\n\n%s: Size: %d Code points: %d (%s)\n",
$doc, length $octets, length $string, join ' ', @out;
open my $fh_raw, '<:raw', \$octets
or die qq/Could not open a :raw fh: '$!'/;
open my $fh_encoding, '<:encoding(UTF-8)', \$octets
or die qq/Could not open a :encoding fh: '$!'/;
open my $fh_utf8_strict, '<:utf8_strict', \$octets
or die qq/Could not open a :utf8_strict fh: '$!'/;
Benchmark::cmpthese(-10, {
':encoding(UTF-8)' => sub {
my $data = do { local $/; <$fh_encoding> };
seek($fh_encoding, 0, SEEK_SET)
or die qq/Could not rewind fh: '$!'/;
},
':utf8_strict' => sub {
my $data = do { local $/; <$fh_utf8_strict> };
seek($fh_utf8_strict, 0, SEEK_SET)
or die qq/Could not rewind fh: '$!'/;
},
'Encode' => sub {
my $data = Encode::decode('UTF-8', do { local $/; scalar <$fh_raw> }, Encode::FB_CROAK|Encode::LEAVE_SRC);
seek($fh_raw, 0, SEEK_SET)
or die qq/Could not rewind fh: '$!'/;
},
'Unicode::UTF8' => sub {
my $data = Unicode::UTF8::decode_utf8(do { local $/; scalar <$fh_raw> });
seek($fh_raw, 0, SEEK_SET)
or die qq/Could not rewind fh: '$!'/;
},
});
}
Wyniki:
$ perl benchmarks/slurp.pl
perl: 5.023001 (darwin 14.4.0)
Encode: 2.75
Unicode::UTF8: 0.60
PerlIO::encoding: 0.21
PerlIO::utf8_strict: 0.006
ar.txt: Size: 25918 Code points: 14308 (U+0000..U+007F: 2698 U+0080..U+07FF: 11610)
Rate :encoding(UTF-8) Encode :utf8_strict Unicode::UTF8
:encoding(UTF-8) 3058/s -- -19% -73% -87%
Encode 3754/s 23% -- -67% -84%
:utf8_strict 11361/s 272% 203% -- -52%
Unicode::UTF8 23620/s 672% 529% 108% --
el.txt: Size: 103974 Code points: 58748 (U+0000..U+007F: 13560 U+0080..U+07FF: 45150 U+0800..U+FFFF: 38)
Rate :encoding(UTF-8) Encode :utf8_strict Unicode::UTF8
:encoding(UTF-8) 780/s -- -19% -73% -86%
Encode 958/s 23% -- -66% -83%
:utf8_strict 2855/s 266% 198% -- -48%
Unicode::UTF8 5498/s 605% 474% 93% --
en.txt: Size: 82171 Code points: 82055 (U+0000..U+007F: 81988 U+0080..U+07FF: 18 U+0800..U+FFFF: 49)
Rate :encoding(UTF-8) Encode :utf8_strict Unicode::UTF8
:encoding(UTF-8) 1111/s -- -16% -90% -96%
Encode 1327/s 19% -- -88% -95%
:utf8_strict 11446/s 931% 763% -- -60%
Unicode::UTF8 28635/s 2478% 2058% 150% --
ja.txt: Size: 180109 Code points: 64655 (U+0000..U+007F: 6913 U+0080..U+07FF: 30 U+0800..U+FFFF: 57712)
Rate :encoding(UTF-8) Encode :utf8_strict Unicode::UTF8
:encoding(UTF-8) 553/s -- -27% -72% -91%
Encode 757/s 37% -- -61% -87%
:utf8_strict 1960/s 254% 159% -- -67%
Unicode::UTF8 5915/s 970% 682% 202% --
lv.txt: Size: 138397 Code points: 127160 (U+0000..U+007F: 117031 U+0080..U+07FF: 9021 U+0800..U+FFFF: 1108)
Rate :encoding(UTF-8) Encode :utf8_strict Unicode::UTF8
:encoding(UTF-8) 605/s -- -19% -80% -91%
Encode 746/s 23% -- -75% -88%
:utf8_strict 3043/s 403% 308% -- -53%
Unicode::UTF8 6453/s 967% 765% 112% --
ru.txt: Size: 151633 Code points: 85266 (U+0000..U+007F: 19263 U+0080..U+07FF: 65639 U+0800..U+FFFF: 364)
Rate :encoding(UTF-8) Encode :utf8_strict Unicode::UTF8
:encoding(UTF-8) 542/s -- -19% -73% -86%
Encode 673/s 24% -- -66% -83%
:utf8_strict 2001/s 269% 197% -- -50%
Unicode::UTF8 4010/s 640% 496% 100% --
sv.txt: Size: 96449 Code points: 92894 (U+0000..U+007F: 89510 U+0080..U+07FF: 3213 U+0800..U+FFFF: 171)
Rate :encoding(UTF-8) Encode :utf8_strict Unicode::UTF8
:encoding(UTF-8) 923/s -- -17% -85% -93%
Encode 1109/s 20% -- -82% -92%
:utf8_strict 5998/s 550% 441% -- -56%
Unicode::UTF8 13604/s 1374% 1127% 127% --
zh.txt: Size: 62891 Code points: 24519 (U+0000..U+007F: 5317 U+0080..U+07FF: 32 U+0800..U+FFFF: 19170)
Rate :encoding(UTF-8) Encode :utf8_strict Unicode::UTF8
:encoding(UTF-8) 1630/s -- -23% -75% -87%
Encode 2104/s 29% -- -68% -83%
:utf8_strict 6549/s 302% 211% -- -48%
Unicode::UTF8 12630/s 675% 500% 93% --
Her są moje wyniki (Ubuntu 14.10, Lenovo krawędzi 540, Intel (R) Core (TM) CPU @ 2.30GHz i7-4712MQ): http: // Pastebin. com/kUst2Bim. Plik wejściowy: http://pastebin.com/7fMnpFLQ –
@ HåkonHægland Podobne. Również ogromna różnica między leniwym/ścisłym 'na warstwie' a nie dużym różnicem pomiędzy leniwym/ścisłym' dekodowaniem'. Zaskocz ścieżkę :: malutka. – jm666
@ jm666, Powodem jest prawdopodobnie to, że Håkon Hægland nie ma zainstalowanego Unicode :: UTF8. – chansen