Ruby：字符集和编码学习总结

背景

Ruby直到1.9版本才很好的支持了多字节编码，本文简单总结了今天学习的关于Ruby编码方面的知识。

字符串可以使用不同的编码

在.NET中字符串的编码是一致的，Ruby允许字符串有不同的编码，当时我就在想：如果两个不同编码的字符串相加会出现什么结果？

测试程序

# coding: utf-8

str_utf8 = "hi 段"
puts str_utf8.size                                # 4
puts str_utf8.bytesize                            # 6
puts str_utf8 .encoding                         # UTF-8
str_utf8.each_byte {|b| print "%02X," % }      # 68,69,20,E6,AE,B5,
puts

puts

str_gb2312 = "hi 段".encode("gb2312")
puts str_gb2312.size                            # 4
puts str_gb2312.bytesize                        # 5
puts str_gb2312 .encoding                         # GB2312
str_gb2312.each_byte {|b| print "%02X," % [b]}     # 68,69,20,B6,CE,
puts

[b]输出结果

4
6
UTF-8
68,69,20,E6,AE,B5,

4
5
GB2312
68,69,20,B6,CE,

备注：UTF-8对英文采用1个字节，对中文采用三个字节。GB2312对英文采用1个字节，对中文采用两个字节。

编码转换

编码转换可以采用String::encode("目标编码名称")来完成，如果编码之间的转换兼容，返回编码后的字符串，否则会抛出编码转换异常。

测试程序

begin
puts "段".encode("ascii")
rescue Exception => e
puts e.class
end

puts "段".encode("gb2312")

输出结果

Encoding::UndefinedConversionError
段

备注：encode会返回一个和元字符串序列一样的字符串序列，只是内部的字节序列改变了。

编码强制

编码强制是指在不改变字节序列的情况下改变对字节的解释方式，编码强制：String::force_encoding("强制编码")。

测试程序

utf8_str = "\xE6\xAE\xB5".encode("utf-8")
puts utf8_str.encoding() # UTF-8
puts utf8_str.size # 1
puts utf8_str.bytesize # 3

ascii_str = "\xE6\xAE\xB5".force_encoding("ascii")
puts ascii_str.encoding() # US-ASCII
puts ascii_str.size # 3
puts ascii_str.bytesize # 3
puts ascii_str.valid_encoding? # false

输出结果

UTF-8
1
3
US-ASCII
3
3
false

备注：String::valid_encoding?可以判定是否是有效的强制。

不同编码的字符串相加后是啥结果？

这个问题的答案很简单：如果两个字符串的编码兼容，则返回字符集最大的编码，否则跑出不兼容异常。你可以自己检查兼容性：Encoding.compatible?。

测试程序

str_ascii = "hi ".encode("ascii")
str_utf8 = "段"
puts str_ascii.encoding
puts str_utf8.encoding
puts Encoding.compatible?(str_ascii.encoding, str_utf8.encoding)
puts (str_ascii + str_utf8).encoding
puts (str_utf8 + str_ascii).encoding

运行结果

US-ASCII
UTF-8
UTF-8
UTF-8
UTF-8

一直没使用过的\u和\x

几乎所有的语言都支持这两个转义字符，允许我们使用\uXXXX指定Unicode码点对于的字符，通用也运行我们使用\xXX指定字节。

测试程序

puts "段" # 段
puts "\xE6\xAE\xB5" # 段
puts "\u6BB5" # 段

输出结果

# 段
# 段
# 段

使用Sublime开发Ruby时，输出到控制台的字符串为啥不能使用多种编码？

测试程序

puts "段"
puts "段".encode("GB2312")

在Sublime中的输出结果

[Decode error - output not utf-8]

在控制台的输出结果



原因分析

Sublime之所以失败是因为Sublime重定位了默认标准输出流，而重定位后的流不支持混合多种编码，说白了：你没法在一个文件中保存两种编码的字符串。

备注：Sublime中的失败不是Ruby导致的，是Sublime自身的问题。

如何解决？

Sublime默认只能接收UTF8编码，因此必须转换为UTF8编码。

# 默认是UTF8编码，不用处理。
puts "段"
# 执行windows命令必须使用GB2312编码。
command = "echo 段".encode("GB2312")
# 命令执行的结果想输出到Sublime必须使用UTF8编码。
puts `#{command}`.encode("utf-8")

输出结果

# 输出结果
段
段

备注

字符串、字符集和编码算是刚入门，有机会还得继续学习。