Perl非英语字符

时间:2012-08-16 05:05:11

标签: perl encoding

请参阅这段perl代码:

#!/usr/bin/perl -w -CS

use feature 'unicode_strings';

open IN, "<", "wiki.txt";
open OUT, ">", "wikicorpus.txt";

binmode( IN,  ':utf8' );
binmode( OUT, ':utf8' );

## Condition plain text English sentences or word lists into a form suitable for constructing a vocabulary and language model

while (<IN>) {

  # Remove starting and trailing tags (e.g. <s>)
  # s/\<[a-z\/]+\>//g;

  # Remove ellipses 
  s/\.\.\./ /g;

  # Remove unicode 2500 (hex E2 94 80) used as something like an m-dash between words
  # Unicode 2026 (horizontal ellipsis)
  # Unicode 2013 and 2014 (m- and n-dash)
  s/[\x{2500}\x{2026}\x{2013}\x{2014}]/ /g;

  # Remove dashes surrounded by spaces (e.g. phrase - phrase)
  s/\s-+\s/ /g;

  # Remove dashes between words with no spaces (e.g. word--word)
  s/([A-Za-z0-9])\-\-([A-Za-z0-9])/$1 $2/g;

  # Remove dash at a word end (e.g. three- to five-year)
  s/(\w)-\s/$1 /g;

  # Remove some punctuation
  s/([\"\?,;:%???!()\[\]{}<>_\.])/ /g;

  # Remove quotes
  s/[\p{Initial_Punctuation}\p{Final_Punctuation}]/ /g;

  # Remove trailing space
  s/ $//;

  # Remove double single-quotes 
  s/'' / /g;
  s/ ''/ /g;

  # Replace accented e with normal e for consistency with the CMU pronunciation dictionary
  s/?/e/g;

  # Remove single quotes used as quotation marks (e.g. some 'phrase in quotes')
  s/\s'([\w\s]+[\w])'\s/ $1 /g;

  # Remove double spaces
  s/\s+/ /g;

  # Remove leading space
  s/^\s+//;

  chomp($_);

  print OUT uc($_) . "\n";
#  print uc($_) . " ";
} print OUT "\n"; 

似乎第49行有一个非英语字符,即行s/?/e/g;。 因此,当我执行此操作时,警告出现Quantifier follows nothing in regex;

我该如何处理这个问题?如何让perl识别出这个角色?我必须使用perl 5.10运行此代码。

另一个小问题是第一行中“-CS”的含义是什么。

感谢所有人。

2 个答案:

答案 0 :(得分:1)

我认为你的问题是你的编辑器没有处理unicode字符,所以程序在它变成perl之前就被删除了,因为这显然不是你的程序,它可能在它到达你之前被删除了。

在整个工具链正确处理unicode之前,必须小心地以保留它们的方式编码非ascii字符。这是一种痛苦,并不存在简单的解决方案。有关如何安全地嵌入unicode字符,请参阅perl手册。

答案 1 :(得分:1)

根据错误行之前的注释行,要替换的字符是重音“e”;大概是指具有强烈口音的e:“é”。假设您的输入是Unicode,它可以在Perl中表示为\x{00E9}。另请参阅http://www.fileformat.info/info/unicode/char/e9/index.htm

我猜您从服务器上的网页复制/粘贴此脚本,该服务器未正确配置以显示所需的字符编码。另请参见http://en.wikipedia.org/wiki/Mojibake