Vlákno názorů k článku Ruby v příkladech (1) - Úvod od Petr Mach - Já jsem se o Ruby přestal zajímat před...
-
Petr Mach (neregistrovaný)Já jsem se o Ruby přestal zajímat před let kvůli slabým knihovnám a nepodpoře unicode. A jak koukám, unicode stále není podporováno. Přešel jsem na Python a nelituji toho. Ten poslední příklad s přejmenováním souboru se v Pythonu udělá např. takto:
import sys, os from os.path import split, join for fPath in sys.argv: fDir, fName = split(fPath) newPath = join(fDir, fName.lower()) os.rename(fPath, newPath)Ale není to nejlepší řešení, protože to nebude fungovat u znaků s diakritikou. Dnes se používá kódování utf-8 a v něm je znak s diakritikou zapsán jako více znaků, což ale metoda lower() netuší, ona se na každý znak dívá samostatně. Řekl bych, že to samé s týká i příkladu pro Ruby, ne? V Pythonu je ale náprava jednoduchá:import sys, os from os.path import split, join for fPath in sys.argv: fDir, fName = split(fPath) newPath = join(fDir, fName.decode('utf-8').lower()) os.rename(fPath, newPath)Zajímalo by mě řešení v Ruby i Perlu funkční i pro názvy s diakritikou. -
Petr Mach (neregistrovaný)Pěkné, ale hádám, že to nebude fungovat ve windows, co? Přinejmenším kvůli cestám, nevím jak s tím utf-8. No, mě to vlastně taky nebude fungovat, protože ve windows se používá jiné kódování. Co kdybychom to tedy oba opravili, aby to bylo multiplatformní?
import sys, os from os.path import split, join coding = sys.stdin.encoding for fPath in sys.argv: fDir, fName = split(fPath) newPath = join(fDir, fName.decode(coding).lower()) os.rename(fPath, newPath)Doufám že milovníci Ruby neodpadli hned v počátku a také nám předvedou implementaci. -
No tohle taky asi nebude ono, ne? Neznám tu parodii na OS, ale ne všude platí, že stdin má za všech okolností stejné kódování jako filesystem. Zatím jsem nenašel spolehlivou cestu jak zjistit kódování fylesystemu. Jinak problém s oddělovači řeší File::Basename nebo File::Spec.use locale; use utf8; use File::Spec; foreach (@ARGV) { my ($volume, $path, $name) = File::Spec->splitpath($_); $name =~ s,([^/]*$),lc $1,eo; rename $_, File::Spec->catpath($volume, $path, $name); }Opět při správně nastaveném systému by celá procedura měla proběhnout i bez opičinek s encode/decode. -
Uh, spěchám a opět chyby. Takže kromě toho krásného fylesystemu je zbytečný ten překlad v regexpu.
use locale; use utf8; use File::Spec; foreach (@ARGV) { my ($volume, $path, $name) = File::Spec->splitpath($_); $name = lc $name; rename $_, File::Spec->catpath($volume, $path, $name); }Jestliže ARGV položka bude získána jako unicode, lc převede string jako unicode, pokud ne, akceptuje se nastavení podle locale. -
Také se mi zdálo, že použít locale by bylo nejjednodušší. Ale když jste psal
Jestliže ARGV položka bude získána jako unicode, lc převede string jako unicode, pokud ne, akceptuje se nastavení podle locale.
tak jsem se domníval, že locale se použije jen pokud ARGV se nezíská jako unicode. To mi přišlo divné. -
Jde o to, že stringy v perlu mohou být dvou typů: unicode a bytes. Vtip je v tom, že všechny běžné operace se stringy s tím počítají a tak se s unicode stringem provede to, co má, a nemusíš se o to starat. Je fakt, že v tomhle případě (práce s ARGV) to asi vyjde na stejno. Pokud je locale unicode tak je string ARGV v unicode a je to OK. Pokud je locale jiné než unicode, tak je ARGV v bytes, ale při use locale to zase proběhne všechno OK. Jediný problém by asi mohl nastat u toho rename pokud by na fs bylo použité jiné kódování než locale. Tak hluboko do toho nevidím a ještě jsem neměl důvod to ladit.
-
Jak už jsme psal v jiném vláknu (a ještě budu psát v jednom z dalších dílů), tak rozumná podpora Unicode je plánována až pro verzi 2.0. Ruby 1.8 se dá malým hackem tak maximálně donutit, aby počítal správně délky řetězců v UTF-8, ale pro změny malá <-> velká bych musel asi použít nějakou externí knihovnu. Pak je ale zbytečné uvádět kód, protože ten by byl zcela závislý na použité knihovně (a případně na tom, jak bych ji nalepil do Ruby). Viz např. článek: http://ruphus.com/blog/2005/06/11/ruby-and-unicode/ . Pro jednoduché případy (např. jen čeština a jen Linux a Windows) bych asi volil cestu "přepsání" metody downcase třídy String (a možná bych ani nevolil Unicode).
Nicméně já osobně se úzkostlivě vyhýbám jménům souborů s diakritikou nebo lokálními znaky, protože mne děsí složitost převodu malá <-> velká, která je navíc závislá na jazyku a lokálních pravidlech. Viz např. http://blogs.msdn.com/oldnewthing/archive/2003/09/05/54802.aspx .
A když se zamyslím na tím, že pokud pojmenuju soubor japonsky, tak mohu totéž jméno zapsat buď hiraganou nebo katakanou (dvě různé abecedy, kterými se dá napsat v podstatě totéž), tak se mi tento problém vůbec nechce řešit obecně.
Ten skript v článku slouží jen na převod jmen JPEG souborů z digitálu, abych neměl problémy odkazovat na ně z webových stránek. Řešit to pro úplně obecná jména souborů asi nemá smysl bez omezujících podmínek - kromě kódování bychom se asi navíc dostávali do závislosti na konkrétních systémech i případně na konkrétních filesystémech jednotlivých svazků (např. při převodu malá <-> velká se může změnit počet znaků a tak by teoreticky mohlo dojít k překročení maximální délky jména souboru).
