Erlang的Unicode支持

在R13A中， Erlang加入了对Unicode的支持。本文涉及到的数据类型包括：list, binary， 涉及到的模块包括stdlib/unicode, stdlib/io, kernel/file。
Binary

Binary的type属性增加了utf相关的type：utf8, utf16, utf32，其分别对应UTF8， UTF16，UTF32编码。

Binary Constructing

在Binary构建时， 如果指定了utf相关类型，那么对应的integer的Value必须位于：0..16#D7FF, 16#E000..16#FFFD, 或者 16#10000..16#10FFFF这三个区间中。否则将会提示'bad argument'，参数错误。根据指定的的utf类型不同，同一个数据产生的binary不同。

对于utf8，每个integer生成1到4个字符；对于utf16，每个integer生成2或4个字符；对于utf32，每个integer生成4个字符。

比如, 使用unicode为1024的字符A, 构建一个binary：

Erlang代码

1> <<1024/utf8>>.

<<208,128>>

2> <<1024/utf16>>.

<<4,0>>

3> <<1024/utf32>>.

<<0,0,4,0>>

Binary Match

当进行Binary Match时，如果指定utf相关类型，变量成功匹配后，将拥有一个位于：0..16#D7FF, 16#E000..16#FFFD, 或者 16#10000..16#10FFFF这三个区间中的integer。

其更具utf类型的不同，消耗（match）不同数目的bytes。

utf8匹配1－4个bytes（参考RFC-2279）
utf16匹配2 或 4 个bytes (参考 RFC-2781）
utf32匹配4个 bytes

比如：继续我们上面的例子

Erlang代码

4> Bin = <<1024/utf8>>.

<<208,128>>

5> <<U/utf8>> = Bin.

<<208,128>>

6> U.

1024

这个例子中，U匹配了2个bytes。

对于utf相关类型，不能指定unit spec

List

在list中，每个unicode字符采用integer来表示，因此与latin1的list相比，unicode list中，element的数值可以大于255。
下面就是一个有效的unicode list: [1024, 1025]

我们可以通过unicode 模块实现 list到binary的转换。

unicode module

首先请参看下面的type定义：

unicode_binary() = binary() with characters encoded in UTF-8 coding standard
unicode_char() = integer() representing valid unicode codepoint
chardata() = charlist() | unicode_binary()
charlist() = [unicode_char() | unicode_binary() | charlist()]
a unicode_binary is allowed as the tail of the list

external_unicode_binary() = binary() with characters coded in a user specified Unicode encoding other than UTF-8 (UTF-16 or UTF-32)
external_chardata() = external_charlist() | external_unicode_binary()
external_charlist() = [unicode_char() | external_unicode_binary() | external_charlist()]
an external_unicode_binary is allowed as the tail of the list

latin1_binary() = binary() with characters coded in iso-latin-1
latin1_char() = integer() representing valid latin1 character (0-255)
latin1_chardata() = latin1_charlist() | latin1_binary()
latin1_charlist() = [latin1_char() | latin1_binary() | latin1_charlist()]
a latin1_binary is allowed as the tail of the list

我们可以调用unicode:characters_to_list/1 将chardata或latin1_chardata或external_chardata()转化成一个unicode list。

如果参数为latin1_chardata，那么Data参数就是一个iodata. 返回的结果list中，每个element为一个integer。默认情况 unicode:characters_to_list/1调用unicode:characters_to_list(Data, unicode)

如果我们的CharData为其他类型，我们可以指明InEncoding type。如果此函数执行成功，返回{ok, List}， 如果失败返回{error, list(), RestData}， 其中list为转化成功的部分，RestData为发生错误的位置。

我们也可以调用unicode:characters_to_binary/1，将chardata或latin1_chardata或 external_chardata()转化成一个binary。这个函数和unicode:characters_to_list类似，只是结果保存为 binary。

如果Data为latin1_chardata, 那么unicode:characters_to_binary/1和 erlang:iolist_to_binary/1功能相同

unicode模块中，还有两个于bom相关的函数，可以根据bom指返回对应的encoding类型，也可以根据encoding类型生成对应的bom值。其在保存文件时，经常使用.

Examples

1, 打开utf8保存的文件
文件内容如下test.file:
[
｛desc, "这是一个测试文件"},
{author, "litaocheng"}
].

其格式为erlang term，保存时选择utf8编码。
代码如下：

Erlang代码

%% read content from the file

test1() ->

{ok, [Terms]} = file:consult("test.txt"),

Desc = proplists:get_value(desc, Terms),

_Author = proplists:get_value(author, Terms),

% out put the Desc and Author

DescUniBin = iolist_to_binary(Desc),

DescUniList = unicode:characters_to_list(DescUniBin),

io:format("desc bin : ~ts~ndesc bin : ~p~n",[DescUniBin, DescUniBin]),

io:format("desc list: ~ts~ndesc list: ~p~n", [DescUniList, DescUniList]).

结果：
desc bin : 这是一个测试文件
desc bin : <<232,191,153,230,152,175,228,184,128,228,184,170,230,181,139,232,
175,149,230,150,135,228,187,182>>
desc list: 这是一个测试文件
desc list: [36825,26159,19968,20010,27979,35797,25991,20214]

首先将内容从list转换为binary, DescUniBin 便是对应的unicode binary。随后通过unicode:characters_to_list/1转化为unicode list最后输出。
我们可以看到 unicode list中所有的element为integer， unicode binary中unicode string采用uft8编码。

2, 将数据保存成uft8格式

Erlang代码

%% save the binary in utf8 format

test2() ->

[DescList] = io_lib:format("~ts", ["这是一个测试文件"]),

DescBin = erlang:iolist_to_binary(DescList),

DescList2 = unicode:characters_to_list(DescBin),

List = lists:concat(["[{desc,\"", DescList2, "\"}, {author, \"litaocheng\"}]."]),

Bin = unicode:characters_to_binary(List),

io:format("bin is:~ts~n", [Bin]),

file:write_file("test_out.txt", Bin).

Update:
2008.5.4:
[DescList] = io_lib:format("~ts", ["这是一个测试文件"])
在erlang shell中DescList为：[36825,26159,19968,20010,27979,35797,25991,20214]
在module文件中，DescList为：
[232,191,153,230,152,175,228,184,128,228,184,170,230,181,139,232,175,
149,230,150,135,228,187,182]