वर्तमान लोकेल में किसी दिए गए वर्ण वर्ग में वर्णों की सूची प्राप्त करने की कमान

Question

क्या किसी दिए गए चरित्र कक्षा में सभी वर्ण (जैसे की सूची प्राप्त करने के लिए एक तरीका हो सकता है blank, alpha, digit...) वर्तमान स्थान में।

उदाहरण के लिए,

LC_ALL=en_GB.UTF-8 that-command blank

आदर्श रूप से, मेरे डेबियन सिस्टम पर, कुछ इस तरह प्रदर्शित होगा:

      09 U+0009 HORIZONTAL TAB
      20 U+0020 SPACE
e1 9a 80 U+1680 OGHAM SPACE MARK
e1 a0 8e U+180E MONGOLIAN VOWEL SEPARATOR
e2 80 80 U+2000 EN QUAD
e2 80 81 U+2001 EM QUAD
e2 80 82 U+2002 EN SPACE
e2 80 83 U+2003 EM SPACE
e2 80 84 U+2004 THREE-PER-EM SPACE
e2 80 85 U+2005 FOUR-PER-EM SPACE
e2 80 86 U+2006 SIX-PER-EM SPACE
e2 80 88 U+2008 PUNCTUATION SPACE
e2 80 89 U+2009 THIN SPACE
e2 80 8a U+200A HAIR SPACE
e2 81 9f U+205F MEDIUM MATHEMATICAL SPACE
e3 80 80 U+3000 IDEOGRAPHIC SPACE

और सी लोकेल में कुछ इस तरह प्रदर्शित हो सकता है:

09 U+0009 HORIZONTAL TAB
20 U+0020 SPACE

यही है, बाइट्स की सरणियों के संदर्भ में लोकेल में चरित्र का प्रतिनिधित्व, (पहले उदाहरण में UTF-8 और दूसरे में सिंगल बाइट) के बराबर यूनिकोड वर्ण कोडपॉइंट और एक विवरण।

प्रसंग

(संपादित करें) अब जबकि भेद्यता को लंबे समय से पैच किया गया है और खुलासा किया गया है, मैं थोड़ा संदर्भ जोड़ सकता हूं।

मैंने उस समय सवाल पूछा था जब मैं सीवीई 2014-0475 की जांच कर रहा था । glibcइसमें एक बग था कि यह उपयोगकर्ता को ऐसे स्थानों का उपयोग LC_ALL=../../../../tmp/evil-localeकरने देता है जो मानक सिस्टम लोकेल खोज पथ के सापेक्ष हल किए जाते हैं और इस प्रकार किसी भी फाइल को स्थानीय परिभाषा के रूप में उपयोग करने की अनुमति देते हैं।

मैं एक एकल बाइट प्रति चरित्र चारसेट के साथ उदाहरण के लिए एक दुष्ट स्थान बना सकता हूंs , जहां अधिकांश वर्णों को छोड़कर , hऔर कुछ अन्य को रिक्त माना जाता था और जो कि एक सामान्य डेबियन फ़ाइल को पार्स करते समय bashचलता था (और इसका उपयोग शेल एक्सेस प्राप्त करने के लिए किया जा सकता है) उदाहरण के लिए होस्टिंग सर्वर का उपयोग सर्वर उपयोगकर्ता के लॉगिन शेल के रूप में किया जाता है और सर्वर सर्वर / चर को स्वीकार करता है और हमलावर सर्वर पर फाइल अपलोड कर सकता है)।sh/etc/bash.bashrcgitbashgitsshLC_*LANG

अब, अगर मुझे कभी एक LC_CTYPE(संकलित स्थानीय परिभाषा) मिली /tmp/evil, तो मुझे कैसे पता चलेगा कि यह एक दुष्ट और किस तरह से था।

इसलिए मेरा लक्ष्य उन स्थानीय परिभाषा को संयुक्त करना है, और यदि नहीं, तो कम से कम यह जान लें कि कौन से वर्ण (उनके एन्कोडिंग के साथ) एक दिए गए वर्ण वर्ग में हैं।

तो उस के साथ दिमाग में:

• समाधान जो लोकेल के लिए स्रोत फ़ाइलों को देखते हैं ( /usr/share/i18n/localeडेबियन पर लोगों की तरह स्थानीय परिभाषाएं ) मेरे मामले में कोई फायदा नहीं है।
• यूनिकोड चरित्र गुण अप्रासंगिक हैं। मुझे केवल इस बात की परवाह है कि स्थानीय लोग क्या कहते हैं। एक डेबियन सिस्टम पर, दो UTF-8 सिस्टम स्थानों के बीच भी, अकेले दुष्टों को छोड़ दें, एक वर्ग के पात्रों की सूची अलग हो सकती है।
• जैसे उपकरण recode, pythonया perlकि बाइट / मल्टी-बाइट से / टू कैरेक्टर कन्वर्ज़न का उपयोग नहीं किया जा सकता है, क्योंकि वे लोकेल की तुलना में रूपांतरण को अलग तरीके से कर सकते हैं।

Comments

अधिकांश स्थानों के लिए यह अंततः (glibc के साथ) LC_CTYPE सामान से आता है /usr/share/i18n/locales/i18n... जो निश्चित रूप से यूनिकोड कैरेक्टर डेटाबेस से काफी हद तक आता है। बेशक, यह एक आदेश के लिए अच्छा होगा

— derobert

@derobert, हाँ, जबकि locale(कम से कम GNU एक) कई श्रेणियों में संग्रहीत कई informations पुनर्प्राप्त करता है, यह LC_CTYPE और LC_COLLATE में सबसे महत्वपूर्ण चीजें नहीं हैं। मुझे आश्चर्य है कि अगर उस जानकारी को पुनः प्राप्त करने के लिए एक छिपा हुआ एपीआई है या स्थानीय जानकारी को खोलना है।

— स्टीफन चेजेलस

हाँ - आप उस जानकारी को प्राप्त कर सकते हैं - मैंने अभी-अभी अपना संपादन समेटने के लिए इधर-उधर किया। आपके द्वारा पहले से स्थापित कई कमांड हैं - कम से कम मैंने किया था, और मुझे उनके बारे में पता भी नहीं था। मुझे उम्मीद है यह मदद करेगा। विशेष रूप से recodeऔर uconvआपको वही दे सकता है जो आप कहते हैं कि आप देख रहे हैं। संभवतः बस luitऔर odमुझे भी लगता है ...

— mikeserv

वह बहुत अच्छा है! इसका मतलब है कि आपको इसकी perlबिल्कुल भी जरूरत नहीं है।

— 17'14 '

मैं मूल रूप से LC_CTYPEसिर्फ od -A n -t c <LC_CTYPE | tsortसंभवत: आपने इसे पहले ही आज़मा लिया है, लेकिन मैं इसके बारे में पहले कभी नहीं सुना था और मैं इसके माध्यम से पढ़ रहा था info- और यह काम करने लगता है। वहाँ भी है, ptxलेकिन मुझे लगता है कि यह कम प्रासंगिक है। वैसे भी, अगर आपने इसे आज़माया नहीं है और ऐसा करने का फैसला किया है - निष्पक्ष चेतावनी - इसके लिए थोड़े धैर्य की आवश्यकता होती है। lehman.cuny.edu/cgi-bin/man-cgi?tsort+1

— mikeserv

Answer 1

संभावित अंतिम समाधान

इसलिए मैंने नीचे दी गई सभी जानकारी ले ली है और इसके साथ आता हूं:

for class in $(
    locale -v LC_CTYPE | 
    sed 's/combin.*//;s/;/\n/g;q'
) ; do 
    printf "\n\t%s\n\n" $class
    recode u2/test16 -q </dev/null | 
    tr -dc "[:$class:]" | 
    od -A n -t a -t o1z -w12
done

नोट :

मैं odवरीयता के लिए अंतिम फिल्टर के रूप में उपयोग करता हूं और क्योंकि मुझे पता है कि मैं मल्टी-बाइट पात्रों के साथ काम नहीं करूंगा, जो इसे सही ढंग से नहीं संभालेंगे। recode u2..dumpदोनों प्रश्न में निर्दिष्ट अधिक आउटपुट उत्पन्न करेंगे और विस्तृत वर्णों को सही ढंग से संभालेंगे।

आउटपुट

        upper

   A   B   C   D   E   F   G   H   I   J   K   L
 101 102 103 104 105 106 107 110 111 112 113 114  >ABCDEFGHIJKL<
   M   N   O   P   Q   R   S   T   U   V   W   X
 115 116 117 120 121 122 123 124 125 126 127 130  >MNOPQRSTUVWX<
   Y   Z
 131 132                                          >YZ<

        lower

   a   b   c   d   e   f   g   h   i   j   k   l
 141 142 143 144 145 146 147 150 151 152 153 154  >abcdefghijkl<
   m   n   o   p   q   r   s   t   u   v   w   x
 155 156 157 160 161 162 163 164 165 166 167 170  >mnopqrstuvwx<
   y   z
 171 172                                          >yz<

        alpha

   A   B   C   D   E   F   G   H   I   J   K   L
 101 102 103 104 105 106 107 110 111 112 113 114  >ABCDEFGHIJKL<
   M   N   O   P   Q   R   S   T   U   V   W   X
 115 116 117 120 121 122 123 124 125 126 127 130  >MNOPQRSTUVWX<
   Y   Z   a   b   c   d   e   f   g   h   i   j
 131 132 141 142 143 144 145 146 147 150 151 152  >YZabcdefghij<
   k   l   m   n   o   p   q   r   s   t   u   v
 153 154 155 156 157 160 161 162 163 164 165 166  >klmnopqrstuv<
   w   x   y   z
 167 170 171 172                                  >wxyz<

        digit

   0   1   2   3   4   5   6   7   8   9
 060 061 062 063 064 065 066 067 070 071          >0123456789<

       xdigit                                                                                          

   0   1   2   3   4   5   6   7   8   9   A   B
 060 061 062 063 064 065 066 067 070 071 101 102  >0123456789AB<
   C   D   E   F   a   b   c   d   e   f
 103 104 105 106 141 142 143 144 145 146          >CDEFabcdef<

        space

  ht  nl  vt  ff  cr  sp
 011 012 013 014 015 040                          >..... <

        print

  sp   !   "   #   $   %   &   '   (   )   *   +
 040 041 042 043 044 045 046 047 050 051 052 053  > !"#$%&'()*+<
   ,   -   .   /   0   1   2   3   4   5   6   7
 054 055 056 057 060 061 062 063 064 065 066 067  >,-./01234567<
   8   9   :   ;   <   =   >   ?   @   A   B   C
 070 071 072 073 074 075 076 077 100 101 102 103  >89:;<=>?@ABC<
   D   E   F   G   H   I   J   K   L   M   N   O
 104 105 106 107 110 111 112 113 114 115 116 117  >DEFGHIJKLMNO<
   P   Q   R   S   T   U   V   W   X   Y   Z   [
 120 121 122 123 124 125 126 127 130 131 132 133  >PQRSTUVWXYZ[<
   \   ]   ^   _   `   a   b   c   d   e   f   g
 134 135 136 137 140 141 142 143 144 145 146 147  >\]^_`abcdefg<
   h   i   j   k   l   m   n   o   p   q   r   s
 150 151 152 153 154 155 156 157 160 161 162 163  >hijklmnopqrs<
   t   u   v   w   x   y   z   {   |   }   ~
 164 165 166 167 170 171 172 173 174 175 176      >tuvwxyz{|}~<

        graph

   !   "   #   $   %   &   '   (   )   *   +   ,
 041 042 043 044 045 046 047 050 051 052 053 054  >!"#$%&'()*+,<
   -   .   /   0   1   2   3   4   5   6   7   8
 055 056 057 060 061 062 063 064 065 066 067 070  >-./012345678<
   9   :   ;   <   =   >   ?   @   A   B   C   D
 071 072 073 074 075 076 077 100 101 102 103 104  >9:;<=>?@ABCD<
   E   F   G   H   I   J   K   L   M   N   O   P
 105 106 107 110 111 112 113 114 115 116 117 120  >EFGHIJKLMNOP<
   Q   R   S   T   U   V   W   X   Y   Z   [   \
 121 122 123 124 125 126 127 130 131 132 133 134  >QRSTUVWXYZ[\<
   ]   ^   _   `   a   b   c   d   e   f   g   h
 135 136 137 140 141 142 143 144 145 146 147 150  >]^_`abcdefgh<
   i   j   k   l   m   n   o   p   q   r   s   t
 151 152 153 154 155 156 157 160 161 162 163 164  >ijklmnopqrst<
   u   v   w   x   y   z   {   |   }   ~
 165 166 167 170 171 172 173 174 175 176          >uvwxyz{|}~<

        blank

  ht  sp
 011 040                                          >. <

        cntrl

 nul soh stx etx eot enq ack bel  bs  ht  nl  vt
 000 001 002 003 004 005 006 007 010 011 012 013  >............<
  ff  cr  so  si dle dc1 dc2 dc3 dc4 nak syn etb
 014 015 016 017 020 021 022 023 024 025 026 027  >............<
 can  em sub esc  fs  gs  rs  us del
 030 031 032 033 034 035 036 037 177              >.........<

        punct

   !   "   #   $   %   &   '   (   )   *   +   ,
 041 042 043 044 045 046 047 050 051 052 053 054  >!"#$%&'()*+,<
   -   .   /   :   ;   <   =   >   ?   @   [   \
 055 056 057 072 073 074 075 076 077 100 133 134  >-./:;<=>?@[\<
   ]   ^   _   `   {   |   }   ~
 135 136 137 140 173 174 175 176                  >]^_`{|}~<

        alnum

   0   1   2   3   4   5   6   7   8   9   A   B
 060 061 062 063 064 065 066 067 070 071 101 102  >0123456789AB<
   C   D   E   F   G   H   I   J   K   L   M   N
 103 104 105 106 107 110 111 112 113 114 115 116  >CDEFGHIJKLMN<
   O   P   Q   R   S   T   U   V   W   X   Y   Z
 117 120 121 122 123 124 125 126 127 130 131 132  >OPQRSTUVWXYZ<
   a   b   c   d   e   f   g   h   i   j   k   l
 141 142 143 144 145 146 147 150 151 152 153 154  >abcdefghijkl<
   m   n   o   p   q   r   s   t   u   v   w   x
 155 156 157 160 161 162 163 164 165 166 167 170  >mnopqrstuvwx<
   y   z

कार्यक्रम एपीआई

जैसा कि मैं नीचे प्रदर्शित करता हूं, recodeआपको अपना पूरा चरित्र मानचित्र प्रदान करेगा। अपने मैनुअल के अनुसार, यह DEFAULT_CHARSETपर्यावरण चर के वर्तमान मूल्य के अनुसार पहले करता है , या, इसे विफल करते हुए, यह ठीक उसी तरह से संचालित होता है जैसे आप निर्दिष्ट करते हैं:

जब एक चारसेट नाम छोड़ा जाता है या खाली छोड़ दिया जाता है, तो DEFAULT_CHARSETइसके बजाय पर्यावरण में चर का मूल्य उपयोग किया जाता है। यदि यह चर परिभाषित नहीं है, तो recodeलाइब्रेरी वर्तमान लोकेल के एन्कोडिंग का उपयोग करती है । पर POSIX शिकायत प्रणाली, इस वातावरण चर के बीच पहले गैर-खाली मान पर निर्भर करता है LC_ALL, LC_CTYPE, LANGऔर आदेश के माध्यम से निर्धारित किया जा सकताlocale charmap.

यह भी ध्यान देने योग्य recodeहै कि यह एक एपी है :

नाम दिया गया कार्यक्रम recodeसिर्फ उसकी रीकोडिंग लाइब्रेरी का एक आवेदन है। रीकोडिंग लाइब्रेरी अन्य C कार्यक्रमों के लिए अलग से उपलब्ध है। रिकोडिंग लाइब्रेरी के साथ कुछ परिचित प्राप्त करने का एक अच्छा तरीका recodeकार्यक्रम से परिचित होना है।

एक बार स्थापित होने के बाद रीकोडिंग लाइब्रेरी का उपयोग करने के लिए, C प्रोग्राम के लिए एक पंक्ति होनी चाहिए:

#include <recode.h>

अंतरराष्ट्रीय स्तर पर अनुकूल स्ट्रिंग तुलना के लिए POSIXऔर Cमानक strcoll()फ़ंक्शन को परिभाषित करते हैं:

strcoll()समारोह से स्ट्रिंग की ओर इशारा किया तुलना करेगा s1करने के लिए स्ट्रिंग के लिए से बताया s2, दोनों वर्तमान स्थान के LC_COLLATE श्रेणी के लिए उचित रूप में व्याख्या की।

strcoll()समारोह errno यदि सफल की सेटिंग में परिवर्तन नहीं होगा।

चूंकि कोई वापसी मान किसी त्रुटि को इंगित करने के लिए आरक्षित नहीं है, इसलिए त्रुटि स्थितियों की जांच के लिए आवेदन करने के लिए एक आवेदन को 0 पर सेट किया जाना चाहिए, फिर कॉल करें strcoll(), फिर गलत की जांच करें।

यहाँ इसके उपयोग का एक अलग स्थित उदाहरण दिया गया है:

#include <stdio.h>
#include <string.h>

int main ()
{
   char str1[15];
   char str2[15];
   int ret;


   strcpy(str1, "abc");
   strcpy(str2, "ABC");

   ret = strcoll(str1, str2);

   if(ret > 0)
   {
      printf("str1 is less than str2");
   }
   else if(ret < 0) 
   {
      printf("str2 is less than str1");
   }
   else 
   {
      printf("str1 is equal to str2");
   }

   return(0);
}

POSIXचरित्र वर्गों के बारे में , आपने पहले ही नोट कर लिया है कि आपने Cइन्हें खोजने के लिए एपीआई का उपयोग किया है । यूनिकोड चरित्र और वर्गों के लिए आप वांछित आउटपुट प्राप्त करने के लिए recode's डंप-विथ-नाम चारसेट का उपयोग कर सकते हैं । इसके मैनुअल से फिर :

उदाहरण के लिए, कमांड का recode l2..full < inputअर्थ लैटिन -2 से यूसीएस -2 में एक आवश्यक रूपांतरण है , क्योंकि डंप-विथ-नाम केवल यूसीएस -2 से जुड़ा हुआ है । ऐसे मामलों में, डंप में recodeमूल लैटिन -2 कोड प्रदर्शित नहीं करता है , केवल संबंधित यूसीएस -2 मान। एक सरल उदाहरण देने के लिए, कमांड

 echo 'Hello, world!' | recode us..dump

निम्नलिखित उत्पादन का उत्पादन:

UCS2   Mne   Description

0048   H     latin capital letter h 
0065   e     latin small letter e
006C   l     latin small letter l 
006C   l     latin small letter l
006F   o     latin small letter o 
002C   ,     comma 
0020  SP     space 
0077   w     latin small letter w 
006F   o     latin small letter o 
0072   r     latin small letter r 
006C   l     latin small letter l 
0064   d     latin small letter d 
0021   !     exclamation mark 
000A   LF    line feed (lf)

वर्णनात्मक टिप्पणी अंग्रेजी और ASCII में दी गई है, फिर भी यदि अंग्रेजी विवरण उपलब्ध नहीं है, लेकिन एक फ्रांसीसी है, तो लैटिन -1 का उपयोग करते हुए, इसके बजाय फ्रांसीसी विवरण दिया गया है। हालाँकि, यदि LANGUAGEया LANGपर्यावरण चर अक्षरों के साथ शुरू होता है fr , तो लिस्टिंग वरीयता फ्रेंच में जाती है जब दोनों विवरण उपलब्ध हैं।

इसके सम्मिलित टेस्ट डेटासेट के साथ ऊपर दिए गए समान सिंटैक्स का उपयोग करके मैं अपना स्वयं का चरित्र मानचित्र प्राप्त कर सकता हूं:

recode -q u8/test8..dump </dev/null

आउटपुट

UCS2   Mne   Description

0001   SH    start of heading (soh)
0002   SX    start of text (stx)
0003   EX    end of text (etx)    
...
002B   +     plus sign
002C   ,     comma
002D   -     hyphen-minus
...
0043   C     latin capital letter c
0044   D     latin capital letter d
0045   E     latin capital letter e
...
006B   k     latin small letter k
006C   l     latin small letter l
006D   m     latin small letter m
...
007B   (!    left curly bracket
007C   !!    vertical line
007D   !)    right curly bracket
007E   '?    tilde
007F   DT    delete (del)

लेकिन आम पात्रों के लिए, recodeस्पष्ट रूप से आवश्यक नहीं है। यह आपको 128-बाइट चारसेट में सब कुछ के लिए नामित नाम देना चाहिए:

printf %b "$(printf \\%04o $(seq 128))" | 
luit -c |
od -A n -t o1z -t a -w12

आउटपुट

 001 002 003 004 005 006 007 010 011 012 013 014  >............<
 soh stx etx eot enq ack bel  bs  ht  nl  vt  ff
...
 171 172 173 174 175 176 177                      >yz{|}~.<
   y   z   {   |   }   ~ del

बेशक, केवल 128-बाइट्स का प्रतिनिधित्व किया जाता है, लेकिन ऐसा इसलिए है क्योंकि मेरा लोकेल, utf-8 चार्मैप्स या नहीं, ASCII चारसेट का उपयोग करता है और इससे ज्यादा कुछ नहीं। इतना सब मुझे मिलता है। अगर मैं इसे luitफ़िल्टर किए बिना चला देता , odतो इसे वापस घुमा देता और उसी नक्शे को फिर से प्रिंट करता\0400.

उपरोक्त विधि के साथ दो प्रमुख समस्याएं हैं, हालांकि। सबसे पहले सिस्टम के कोलाजेशन ऑर्डर है - गैर-एएससीआईआई स्थानों के लिए, चार्जसेट के लिए काटने के मूल्य केवल उनेस में नहीं हैं seq, जो कि, जैसा कि मुझे लगता है, समस्या का मूल है जिसे आप हल करने की कोशिश कर रहे हैं।

खैर, GNU tr's manपेज बताता है कि यह [:upper:] [:lower:]क्रम में कक्षाओं का विस्तार करेगा - लेकिन यह बहुत कुछ नहीं है।

मुझे लगता है कि कुछ भारी-भरकम समाधानों को लागू किया जा सकता है, sortलेकिन बैकएंड प्रोग्रामिंग एपीआई के लिए यह एक बहुत ही अच्छा उपकरण होगा।

recodeइस बात को सही ढंग से करेंगे, लेकिन आप दूसरे दिन कार्यक्रम से बहुत प्यार नहीं करते थे। हो सकता है कि आज के संपादन इस पर अधिक अनुकूल प्रकाश डालेंगे या शायद नहीं।

GNU gettextफ़ंक्शन लाइब्रेरी भी प्रदान करता है, और यह कम से कम संदर्भ के लिए इस समस्या को हल करने में सक्षम प्रतीत होता है LC_MESSAGES:

- समारोह: char * bind_textdomain_codeset( const char *domainname, const char *codeset)

bind_textdomain_codesetसमारोह डोमेन के लिए संदेश कैटलॉग के लिए उत्पादन वर्ण सेट निर्दिष्ट करने के लिए इस्तेमाल किया जा सकता domainname । Codeset तर्क एक वैध होना चाहिए codeset नाम है जिसके लिए इस्तेमाल किया जा सकता iconv_open समारोह, या एक नल पॉइंटर।

यदि codeset पैरामीटर अशक्त सूचक है, bind_textdomain_codeset वर्तमान में चयनित रिटर्न codeset नाम के साथ डोमेन के लिए domainname । यदि कोई कोडसेट अभी तक चयनित नहीं हुआ है तो यह NULL देता है ।

bind_textdomain_codesetसमारोह में कई बार इस्तेमाल किया जा सकता। यदि एक ही डोमेन नाम तर्क के साथ कई बार उपयोग किया जाता है, तो बाद में कॉल पहले की गई सेटिंग्स को ओवरराइड करता है।

bind_textdomain_codesetसमारोह एक स्ट्रिंग चयनित codeset के नाम वाले के लिए सूचक देता है। स्ट्रिंग को आंतरिक रूप से फ़ंक्शन में आवंटित किया गया है और उपयोगकर्ता द्वारा परिवर्तित नहीं किया जाना चाहिए। यदि निष्पादन के दौरान सिस्टम कोर से बाहर चला गया है bind_textdomain_codeset, तो रिटर्न वैल्यू NULL है और वैश्विक चर इरनो के अनुसार सेट किया गया है।

आप देशी यूनिकोड वर्ण श्रेणियों का भी उपयोग कर सकते हैं , जो भाषा स्वतंत्र हैं और POSIX कक्षाओं को पूरी तरह से त्याग देती हैं, या शायद आपको पूर्व में कॉल करने के लिए आपको बाद की परिभाषा देने के लिए पर्याप्त जानकारी प्रदान करती है।

जटिलताओं के अलावा, यूनिकोड नई संभावनाएं भी लाता है। एक यह है कि प्रत्येक यूनिकोड वर्ण एक निश्चित श्रेणी का है। आप "अक्षर" श्रेणी से संबंधित किसी एक वर्ण से मेल खा सकते हैं \p{L}। आप उस श्रेणी से संबंधित एकल वर्ण से मेल नहीं खा सकते हैं \P{L}।

फिर, "चरित्र" का वास्तव में अर्थ है "यूनिकोड कोड बिंदु"। \p{L}श्रेणी "पत्र" में एकल कोड बिंदु से मेल खाता है। यदि आपके इनपुट स्ट्रिंग को à एन्कोड किया गया है U+0061 U+0300, तो यह aलहजे के बिना मेल खाता है । यदि इनपुट को àएन्कोड किया गया है U+00E0, तो यह àएक्सेंट के साथ मेल खाता है । कारण यह है कि दोनों कोड अंक U+0061 (a)और U+00E0 (à)श्रेणी "पत्र" में हैं, जबकि U+0300श्रेणी "चिह्न" में है।

आपको अब समझना चाहिए कि क्यों \P{M}\p{M}*+के बराबर है \X। \P{M}एक कोड बिंदु से मेल खाता है जो एक संयोजन चिह्न नहीं है, जबकि \p{M}*+ शून्य या अधिक कोड बिंदुओं से मेल खाता है जो संयोजन अंक हैं। किसी भी dicritics सहित एक पत्र से मेल खाने के लिए, का उपयोग करें \p{L}\p{M}*+। यह अंतिम रेगेक्स हमेशा मैच करेगा à, भले ही यह एन्कोडेड हो। अपने पास रखने वाला क्वांटिफायर यह सुनिश्चित करता है कि पीछे \P{M}\p{M}*+जाने वाले संयोजन के निशान के बिना एक गैर-निशान से मेल खाने का कारण नहीं है , जो \X कभी ऐसा नहीं करेगा।

वही वेबसाइट जो उपरोक्त जानकारी प्रदान करती है, वह Tclस्वयं के POSIX -compliant regex कार्यान्वयन की चर्चा करती है जो आपके लक्ष्य को प्राप्त करने का एक और तरीका हो सकता है।

और समाधानों के बीच आखिरी मैं सुझाव दूंगा कि आप LC_COLLATEफ़ाइल को पूर्ण और इन-ऑर्डर सिस्टम कैरेक्टर मैप के लिए स्वयं पूछ सकते हैं । यह आसानी से नहीं किया जा सकता है, लेकिन मैंने localedefनीचे दिखाए अनुसार इसे संकलित करने के बाद कुछ सफलता हासिल की:

<LC_COLLATE od -j2K -a -w2048 -v  | 
tail -n2 | 
cut -d' ' -f$(seq -s',' 4 2 2048) | 
sed 's/nul\|\\0//g;s/  */ /g;:s;
    s/\([^ ]\{1,3\}\) \1/\1/;ts;
    s/\(\([^ ][^ ]*  *\)\{16\}\)/\1\n/g'

 dc1 dc2 dc3 dc4 nak syn etb can c fs c rs c sp ! "
# $ % & ' ( ) * + , - . / 0 1 2
3 4 5 6 7 8 9 : ; < = > ? @ A B
C D E F G H I J K L M N O P Q R
S T U V W X Y Z [ \ ] ^ _ ` a b
c d e f g h i j k l m n o p q r
s t u v w x y z { | } ~ del soh stx etx
eot enq ack bel c ht c vt cr c si dle dc1 del

यह माना जाता है कि वर्तमान में यह दोषपूर्ण है, लेकिन मुझे उम्मीद है कि यह कम से कम संभावना को प्रदर्शित करता है।

प्रथम संकोच पर

strings $_/en_GB

#OUTPUT

int_select "<U0030><U0030>"
...
END LC_TELEPHONE

यह वास्तव में बहुत पसंद नहीं था, लेकिन फिर मैंने copyपूरी सूची में कमांडिंग को देखना शुरू कर दिया । उपरोक्त फ़ाइल उदाहरण के लिए "en_US"copy में लगती है , और एक और वास्तविक बड़ी यह है कि ऐसा लगता है कि वे सभी कुछ हद तक साझा हैं ।iso_14651_t1_common

इसका बहुत बड़ा:

strings $_ | wc -c

#OUTPUT
431545

यहाँ परिचय है /usr/share/i18n/locales/POSIX:

# Territory:
# Revision: 1.1
# Date: 1997-03-15
# Application: general
# Users: general
# Repertoiremap: POSIX
# Charset: ISO646:1993
# Distribution and use is free, also for
# commercial purposes.
LC_CTYPE
# The following is the POSIX Locale LC_CTYPE.
# "alpha" is by default "upper" and "lower"
# "alnum" is by definiton "alpha" and "digit"
# "print" is by default "alnum", "punct" and the <U0020> character
# "graph" is by default "alnum" and "punct"
upper   <U0041>;<U0042>;<U0043>;<U0044>;<U0045>;<U0046>;<U0047>;<U0048>;\
        <U0049>;<U004A>;<U004B>;<U004C>;<U004D>;<U004E>;<U004F>;

...

आप grepइस पाठ्यक्रम के माध्यम से कर सकते हैं , लेकिन आप बस:

recode -lf gb

बजाय। आपको कुछ इस तरह मिलेगा:

Dec  Oct Hex   UCS2  Mne  BS_4730

  0  000  00   0000  NU   null (nul)
  1  001  01   0001  SH   start of heading (soh)
...

... और अधिक

वहाँ भी luitटर्मिनल UTF-8 ptyअनुवाद डिवाइस है, जो मुझे लगता है कि UTF-8 समर्थन के बिना XTerms के लिए जाने के बीच कार्य करता है। यह बहुत सारे स्विच को संभालता है - जैसे कि सभी परिवर्तित बाइट्स को फ़ाइल में लॉग करना या -cसाधारण |pipeफ़िल्टर के रूप में।

मुझे इस बात का कभी एहसास नहीं हुआ कि इसमें बहुत कुछ था - स्थान और चरित्र मानचित्र और वह सब। यह जाहिरा तौर पर एक बहुत बड़ी बात है, लेकिन मुझे लगता है कि यह सब पर्दे के पीछे चलता है। वहाँ हैं - कम से कम मेरे सिस्टम पर - man 3स्थानीय से संबंधित खोजों के लिए कुछ सौ संबंधित परिणाम।

और यह भी है:

zcat /usr/share/i18n/charmaps/UTF-8*gz | less

    CHARMAP
<U0000>     /x00         NULL
<U0001>     /x01         START OF HEADING
<U0002>     /x02         START OF TEXT
<U0003>     /x03         END OF TEXT
<U0004>     /x04         END OF TRANSMISSION
<U0005>     /x05         ENQUIRY
...

यह बहुत लंबे समय तक चलेगा ।

Xlibकार्यों को संभालने के इस समय के सभी - luitकि पैकेज का एक हिस्सा है।

Tcl_uni...कार्यों के रूप में अच्छी तरह से उपयोगी साबित हो सकता है।

बस थोड़ा सा <tab>पूरा और manखोज और मैंने इस विषय पर काफी कुछ सीखा है।

के साथ localedef- आप localesअपनी I18Nनिर्देशिका में संकलन कर सकते हैं । आउटपुट कायरता है, और असाधारण रूप से उपयोगी नहीं है - बिल्कुल भी पसंद नहीं है charmaps- लेकिन आप कच्चा प्रारूप प्राप्त कर सकते हैं जैसे आप ऊपर निर्दिष्ट करते हैं जैसे मैंने किया था:

mkdir -p dir && cd $_ ; localedef -f UTF-8 -i en_GB ./ 

ls -l
total 1508
drwxr-xr-x 1 mikeserv mikeserv      30 May  6 18:35 LC_MESSAGES
-rw-r--r-- 1 mikeserv mikeserv     146 May  6 18:35 LC_ADDRESS
-rw-r--r-- 1 mikeserv mikeserv 1243766 May  6 18:35 LC_COLLATE
-rw-r--r-- 1 mikeserv mikeserv  256420 May  6 18:35 LC_CTYPE
-rw-r--r-- 1 mikeserv mikeserv     376 May  6 18:35 LC_IDENTIFICATION
-rw-r--r-- 1 mikeserv mikeserv      23 May  6 18:35 LC_MEASUREMENT
-rw-r--r-- 1 mikeserv mikeserv     290 May  6 18:35 LC_MONETARY
-rw-r--r-- 1 mikeserv mikeserv      77 May  6 18:35 LC_NAME
-rw-r--r-- 1 mikeserv mikeserv      54 May  6 18:35 LC_NUMERIC
-rw-r--r-- 1 mikeserv mikeserv      34 May  6 18:35 LC_PAPER
-rw-r--r-- 1 mikeserv mikeserv      56 May  6 18:35 LC_TELEPHONE
-rw-r--r-- 1 mikeserv mikeserv    2470 May  6 18:35 LC_TIME

फिर odआप इसे पढ़ सकते हैं - बाइट्स और स्ट्रिंग्स:

od -An -a -t u1z -w12 LC_COLLATE | less

 etb dle enq  sp dc3 nul nul nul   T nul nul nul
  23  16   5  32  19   0   0   0  84   0   0   0  >... ....T...<
...

हालांकि यह एक सौंदर्य प्रतियोगिता जीतने से एक लंबा रास्ता तय करता है, जो कि प्रयोग करने योग्य आउटपुट है। और odजैसा कि आप चाहते हैं कि यह होना चाहिए, के रूप में अच्छी तरह से कॉन्फ़िगर करने योग्य है।

मुझे लगता है कि मैं भी इन के बारे में भूल गया:

    perl -mLocale                                                                                       

 -- Perl module --
Locale::Codes                    Locale::Codes::LangFam           Locale::Codes::Script_Retired
Locale::Codes::Constants         Locale::Codes::LangFam_Codes     Locale::Country
Locale::Codes::Country           Locale::Codes::LangFam_Retired   Locale::Currency
Locale::Codes::Country_Codes     Locale::Codes::LangVar           Locale::Language
Locale::Codes::Country_Retired   Locale::Codes::LangVar_Codes     Locale::Maketext
Locale::Codes::Currency          Locale::Codes::LangVar_Retired   Locale::Maketext::Guts
Locale::Codes::Currency_Codes    Locale::Codes::Language          Locale::Maketext::GutsLoader
Locale::Codes::Currency_Retired  Locale::Codes::Language_Codes    Locale::Maketext::Simple
Locale::Codes::LangExt           Locale::Codes::Language_Retired  Locale::Script
Locale::Codes::LangExt_Codes     Locale::Codes::Script            Locale::gettext
Locale::Codes::LangExt_Retired   Locale::Codes::Script_Codes      locale

मैं शायद उनके बारे में भूल गया क्योंकि मैं उन्हें काम करने के लिए नहीं मिला। मैं कभी उपयोग नहीं करता Perlऔर मुझे नहीं पता कि मैं ठीक से मॉड्यूल को कैसे लोड करूं। लेकिन manपन्ने बहुत अच्छे लगते हैं। किसी भी स्थिति में, कुछ मुझे बताता है कि आपको आई और पर्ल की तुलना में कम से कम थोड़ा मुश्किल आई। और फिर, ये पहले से ही मेरे कंप्यूटर पर थे - और मैं कभी भी पर्ल का उपयोग नहीं करता। वहाँ भी विशेष रूप से कुछ है I18Nकि मैं पूरी तरह से अच्छी तरह से जानकर स्क्रॉल किया है मैं उन्हें या तो काम करने के लिए नहीं मिलेगा।

Comments

यह सब बहुत अच्छी और उपयोगी जानकारी है, लेकिन जो स्रोत फ़ाइलों (इन i18n) पर जानकारी देता है, जो कि वर्तमान में उपयोग किए जा रहे लोकेल को उत्पन्न करने के लिए उपयोग किया जा सकता है या नहीं किया जा सकता है। स्थान की जानकारी शायद से आ रही है /usr/lib/locale/locale-archiveया /some/dir/LC_CTYPE, और वह हिस्सा मेरे स्थान के लिए प्रासंगिक है कि उन फ़ाइलों है कि मैं के बाद कर रहा हूँ में संग्रहित है।

— स्टीफन चेज़लस

@StephaneChezales - तो बस के LC_STUFFसाथ अपने संग्रह से निकालने localedef- यह भी है कि। मुझे लगता है कि मैं भी डेमो कर सकता हूं। आप यह भी देख सकते हैं कि stringsया बाकी सभी चीजों के साथ या बहुत कुछ od। मैंने वैसे भी किया। लेकिन जिस तरह से - आप वर्तमान में उपयोग कर charmaps रहे हैं लोकेल हैं - और localedefउस पर भी रिपोर्ट करेंगे। recodeयह भी क्या करता है।

— मिकसेर्व

आप मूल रूप से कह रहे हैं कि हम हाथ से कर सकते हैं कि सिस्टम के पुस्तकालयों को क्वेरी चरित्र वर्ग की जानकारी क्या करनी है, लेकिन यह कोड की हजारों पंक्तियों की आवश्यकता है जो कि मज़बूती से करते हैं और परिणाम सिस्टम विशिष्ट होगा। (पर्यावरण को उसी तरह पार्स करना, जैसे सिस्टम लाइब्रेरी करता है (LOCPATH, LANG, LANGUAGE, LC_CTYPE ..., डेटा को देखने के लिए कहां पहचानें, इसे निकालें ...)। मैं यह नहीं देख सकता कि संग्रह से सामान कैसे निकाला जाए। हालांकि स्थानीयकरण के साथ।

— स्टीफन चेज़लस

@StephaneChazelas - मैं तुम्हें हाथ से यह कर सुझाव नहीं देते - जैसे प्रणाली बाइनरी का उपयोग कर - मैं तुम्हें एक कंप्यूटर के साथ यह करने के सुझाव है od, recode, uconvहै, और बाकी। लेकिन यह मेरी गलती थी - यह नहीं है localedefकि यह इसे निकालता है, यह है recodeकि होगा। आप देख सकते हैं info recode- और recodeटेबल कमांड के अलावा मैं दिखा रहा हूँ कि बहुत कुछ ऐसा ही है - और यह उसी तरह से चीजों को सँभालेगा, जैसा मुझे लगता है। यह सिर्फ पतली हवा से आपके आकर्षण को नहीं खींचता है। किसी भी मामले में मुझे उन perlमॉड्यूल के लिए उच्च उम्मीदें थीं - क्या आपने कोई कोशिश की?

— मिकसेर

यदि वर्तमान लोकेल में किसी दिए गए वर्ण वर्ग में वर्णों की सूची को पुनः प्राप्त करने के लिए एक एपीआई है, तो विशेष रूप से वह है जो मैं देख रहा हूं। यदि आप यह प्रदर्शित कर सकते हैं कि यह कैसे करना है, तो मैं उत्तर स्वीकार करूँगा। केवल एक चीज जो मैं सोच सकता था (और मैंने अपने प्रश्न में "अपेक्षित आउटपुट" कैसे प्राप्त किया) iswblank(3)सभी संभावित चरित्र मूल्यों के लिए उपयोग करना है।

— स्टीफन चेजलस

Answer 2

जीएनयू, फ्रीबीएसडी या सोलारिस सिस्टम पर कम से कम, यह जानवर-बल दृष्टिकोण काम करता है:

#include <wctype.h>
#include <locale.h>
#include <stdio.h>
#include <stdlib.h>

int main(int argc, char *argv[])
{
  unsigned long i;
  int need_init;
  wctype_t type;
  FILE* to_perl;

  setlocale(LC_ALL,"");
  if (argc != 2) {
    fprintf(stderr, "Usage: %s <type>\n", (argc?argv[0] : "???"));
    exit(1);
  }
  if (!(type = wctype(argv[1]))) {
    fprintf(stderr, "Invalid type: \"%s\"\n", argv[1]);
    exit(1);
  }

  need_init = wctomb(0, 0);

  to_perl = popen("perl -Mcharnames=full -ane '"
                  "printf \"%17s U+%04X %s\n\", join(\" \", @F[1..$#F]),"
                  "$F[0], charnames::viacode($F[0])'", "w");

#ifdef SUPPORT_ROGUE_LOCALES
  for(i=0; i<=0x7fffffff; i++) {
#else
  for(i=0; i<=0x10ffff; i++) {
    if (i == 0xd800) i = 0xe000; /* skip UTF-16 surrogates */
#endif
    if (iswctype(i, type)) {
      int n;
      unsigned char buf[1024];

      if (need_init) wctomb(0, 0);
      n = wctomb(buf, i);

      if (n > 0) {
        int c;
        fprintf(to_perl, "%lu", i);
        for (c = 0; c < n; c++)
          fprintf(to_perl, " %02X", buf[c]);
        putc('\n', to_perl);
      }
    }
  }
  pclose(to_perl);
  return 0;
}

जबकि C / POSIX के अनुसार, wchar_tएक अपारदर्शी प्रकार है जिसका यूनिकोड से कोई संबंध नहीं है और केवल सिस्टम के लोकेल द्वारा समर्थित सभी वर्णों को कवर करने की गारंटी है, व्यवहार में, अधिकांश प्रणालियों में जो यूनिकोड का समर्थन करते हैं, मान यूनिकोड कोड बिंदुओं के अनुरूप हैं। और स्थानीय परिभाषाएं खुद यूनिकोड पर आधारित हैं।

यूनिकोड का अर्थ सभी ज्ञात वर्णों का एक सुपरसेट है, इसलिए यूनिकोड (0 से 0xD7FF और 0xE000 से 0x10FFFF) के सभी मान्य कोड बिंदुओं पर लूपिंग को दिए गए वर्ण द्वारा समर्थित कम से कम सभी वर्णों को सूचीबद्ध करना चाहिए।

यहाँ, हम सिस्टम के लोकल स्टैण्डर्ड API का उपयोग कर रहे हैं जो यह जाँचने के लिए है कि कौन से दिए गए प्रकार के हैं और इसे अपने एन्कोडेड रूप में लोकेल के एन्कोडिंग में बदल सकते हैं। हम किसी दिए गए यूनिकोड कोडपाइंट से नाम प्राप्त करने के लिए केवल perlइसके charnamesमॉड्यूल का उपयोग करते हैं ।

ISO-2022-JP जैसे स्टेटफुल एन्कोडिंग्स का उपयोग करने वाले स्थानों पर, हम सुनिश्चित करते हैं कि एन्कोडेड फ़ॉर्म डिफ़ॉल्ट प्रारंभिक अवस्था से प्रदर्शित हो।

मुझे एक ऐसा सिस्टम नहीं मिला है, जिसमें एक स्टेटफुल कैरेक्टर एन्कोडिंग के साथ लोकेशन्स इंस्टॉल किए गए हों, लेकिन कम से कम जीएनयू सिस्टम पर, यह संभव है कि कुछ बदमाश लोकेल जेनरेट कर सकें (और कम से कम जीएनयू टूल्स उन में ठीक से काम न करें। स्थानों)। उदाहरण के लिए, सामान्य ja_JPलोकेल के साथ ISO-2022-JP का उपयोग करने वाले एक कस्टम लोकेल के साथ , मुझे यह मिला:

$ LOCPATH=$PWD LC_ALL=ja_JP.ISO-2022-JP ~/list-type blank
       09 U+0009 CHARACTER TABULATION
       20 U+0020 SPACE
   1B 24 42 21 21 U+3000 IDEOGRAPHIC SPACE

तुलना करना:

$ LC_ALL=ja_JP.eucjp ~/list-type blank
       09 U+0009 CHARACTER TABULATION
       20 U+0020 SPACE
    A1 A1 U+3000 IDEOGRAPHIC SPACE

ISO-2022-JP में, 1B 24 42अनुक्रम ( \e$B) ASCII से एक ऐसी स्थिति में बदल जाता है जहां वर्ण 2 (7-बिट) बाइट्स के रूप में व्यक्त किए जाते हैं (यहाँ उस IDEOGRAPHIC अंतरिक्ष के लिए 21 21)। EUCJP में, यह एक ही बाइट्स है, लेकिन राज्य स्विचिंग 8 बिट ( A1 = 21 | 0x80) को फ्लिप करके किया जाता है, जो इसे और अधिक स्टेटलेस बनाता है।

इसका मतलब यह है कि उन स्टेटिक एन्कोडिंग्स में, दिए गए चरित्र को लिखने के कई तरीके हैं (उदाहरण के लिए, उन राज्य स्विचिंग अनुक्रमों में से कई को सम्मिलित करके ), और उस कोड के ऊपर दिखाए गए अनुक्रम उनमें से केवल एक है (प्रारंभिक से एक विहित एक) डिफ़ॉल्ट स्थिति)।

एक सामान्य लोकेल के लिए, वर्ण 0..0xD7FF, 0xE000..0x10FFFF से बाहर नहीं हो सकते, एक दुष्ट लोकेल के लिए, wchar_t द्वारा समर्थित सीमा में कोई भी वर्ण हो सकता है। उदाहरण के लिए, मैं एक ऐसा स्थान बना सकता हूँ जहाँ U + DCBA या U + 12345678 अक्षर (या वर्ण होंगे यदि उन्हें अनुमति दी गई है) रिक्त हैं । इसलिए आप उन कोड -D SUPPORT_ROGUE_LOCALESको कवर करने के लिए उस कोड को संकलित करना चाहते हैं, हालांकि इसका मतलब है कि पूरी सूची को स्कैन करने में बहुत अधिक समय लगता है।

मैं @ mikeserv के समाधान का उपयोग नहीं कर सकता क्योंकि recodeइसके स्वयं के रूपांतरणों का उपयोग किया जाता है, अब इसे बनाए नहीं रखा जाता है और केवल 0xFFFF तक के यूनिकोड वर्णों का समर्थन करता है, और GNU trकम से कम मल्टी-बाइट वर्णों के साथ काम नहीं करता है।

मैं @ क्रिसडाउन का उपयोग नहीं कर सका क्योंकि pythonइसमें POSIX चरित्र वर्गों के लिए इंटरफेस नहीं है।

मैंने पर्ल की कोशिश की, लेकिन यह यूटीएफ -8 के अलावा अन्य मल्टी-बाइट्स स्थानों के लिए 128 और 255 के बीच कोड बिंदुओं के लिए फर्जी है और सिस्टम के रूपांतरण पुस्तकालयों का उपयोग नहीं करता है।

Comments

मुझे लगता है कि यह प्रभावी रूप से ऐसा करने का एकमात्र तरीका है, लेकिन यह कई समस्याओं से ग्रस्त है, इस तथ्य से शुरू होता है कि आपने कानूनी कोडपॉइंट की सीमा के बारे में निर्णय लेने के लिए पूर्व ज्ञान का उपयोग किया था। सिद्धांत रूप में, कम से कम, यदि आप यूनिकोड चार्मैप का उपयोग कर रहे हैं, तो वर्ण वर्ग स्क्रिप्ट से स्वतंत्र हैं (यूनिकोड मानक के अनुसार, C स्थान नहीं), लेकिन यूनिकोड "सामान्य श्रेणियां" सी वर्ण वर्गों के समान नहीं हैं। BTW, glibc के i18n ctypes में दो और वर्ण वर्ग शामिल हैं: combiningऔर combining_level3(अर्थात iswctype(i, wctype("combining")))

— rici

@rici, संपादित करें (और प्रश्न का भी) देखें।

— स्टीफन चेज़लस