Início / unix / Perguntas / 788646
Accepted
Alex Braga
Asked: 2024-12-25 03:30:55 +0800 CST

Substituir caracteres acentuados por perl-rename

  • 772

Estou padronizando o nome de vários arquivos de uma vez, então escrevi uma regex para perl-rename:

perl-rename 'y/A-Z/a-z/; s/ã|á|â/a/g; s/é|ê/e/g; s/í/i/g; s/õ|ó/o/g; s/ú/u/g; s/ç/c/g; s/(?<=\d-)*\s/_/g; s/_+/_/g; s/(?<=\d)_/-/' *

Está funcionando exatamente como esperado:

2024-12-01 certidão de matrícula -> 2024-12-01-certidao_de_matricula

No entanto, pensei que poderia ser simplificado um pouco, então pensei nisso:

perl-rename 'y/A-Z/a-z/; y/ãáâéêíõóúç/aaaeeioouc/; s/(?<=\d-)*\s/_/g; s/_+/_/g; s/(?<=\d)_/-/' *

Os resultados, no entanto, não atenderam às minhas expectativas. Por exemplo:

2024-12-01 certidão de matrícula -> 2024-12-01-certidaao_de_matraccula

Por que o segundo comando não está funcionando, já que ele deveria estar fazendo uma transliteração direta de cada caractere acentuado? Não consigo nem entender o resultado. Obrigado antecipadamente.

regular-expression

1 respostas

  1. Best Answer

    Isso acontece porque o Perl não sabe que deve tratar os nomes de arquivo como UTF-8. Em vez disso, ele olha para os bytes individuais, então você obtém substituições parciais e duplicatas. Por exemplo, considere isto:

    % echo 'ä:ö:ä' | perl -pe 'y/ä/x/'
xx:x�:xx

    Aqui, a entrada é \xc3\xa4:\xc3\xb6:\xc3\xa4e o y/ä/x/é tomado como y/\xc3\xa4/x/(com o lado direito ximplicitamente duplicado). O resultado é que o UTF-8 äse transforma em xx, quando ambos os bytes são substituídos individualmente, e o UTF-8 öquebra quando apenas o primeiro byte é substituído.

    O s///comando funciona porque ele procura a string inteira a ser substituída, então não importa se ela é interpretada como um caractere ou dois bytes.

    Você consertaria isso adicionando use utf8ou -Mutf8para informar ao Perl que a fonte está em UTF-8, e a -Copção de informar que stdin/stdout estão em UTF-8.

    % echo 'ä:ö:ä' | perl -Mutf8 -C -pe 'y/ä/x/'
x:ö:x

    Com o script de renomeação, você provavelmente não conseguirá usar -C, então use a PERL_UNICODEvariável de ambiente, por exemplo, with export PERL_UNICODE=AS(para argumentos e Stdin/out), e inclua use utf8no seu comando de renomeação e torça para que funcione.

    • 6

relate perguntas