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： 

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 

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： 

%% 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 

%% 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] 

7> B  = ["这是一个测试文件"].

[[36825,26159,19968,20010,27979,35797,25991,20214]]

8>  io:format("~ts", [B]).

这是一个测试文件ok