一般フォーラム

ZR さん，こんばんは。

文責・安田です。ご指摘ありがとうございます。
こういう点も細かく見ていただき恐縮いたします。

基本的なことですが，utf8::decode($_); があると，ZR さんの
環境では「二重にデコードされ」る問題で動作しない，
ということでしょうか？
ちなみに，私はこのコードを Mac OS X Snow Leopard, Tiger,
Windows 7/XP Cygwin 環境で試験しております。

もとより，私は Perl を自分の目的に適う程度でしか使えませず，
このコードが最適解であるとはまったく思っておりません。

ですが，昔，UTF-8 が Perl でやっとまともにサポートされた
ころ（5.8.0 あたり？），

　(1) use utf8;
　(2) binmode(xxx, ":utf8");
　(3) utf8::decode($str);

の 3 点セットがないと，IO，$str 中文字の length 取得，
正規表現操作がうまく動作しなかった記憶があり，
以来，おまじないのように書いております。
あくまで私の記憶ですので，外しているかも知れません。
Perl の版に関するこの曖昧な記憶について，Perl の発展に
詳しい方のコメントがいただければと存じます。

たしかに，最近の Perl-5.8.8 以降では，Unicode サポートが
完成し，標準 IO が UTF-8 になっており，(1) が不要になった
だけでなく，(2), (3) いずれかが指定されていれば，UTF-8
外部ファイルの UTF-8 文字単位の操作ができるように
なっています。

その意味では (1) および (2) or (3) は冗長に過ぎないかも
知れません。でも，まあ，上のような次第でご覧のコードに
なっております。
もちろん，Perl の版を幅広くカバーするというような
積もりも目論みもありません。
でも，最新 Perl でも動作そのものに支障はないと考えています。
デコードが二重になされて誤動作するわけではないと思います。
もし気持ち悪いなら (3) を外していただければと思います。

ところで，ZR さんのご指摘とは少し外れますが，
(3) utf8::decode($_); はまずくないか？ということについて，
いま現在の私の再考するところとして，
LaTeX のマクロファイルなど ptexenc が通すファイル群が
必ずしも UTF-8 8 bit 文字とは限らないので，
(3) ではなく，むしろ (2) を削るのがより適切な改善では
ないでしょうか。

というわけで，コードはむしろ次がよろしいかと存じます。

#!/usr/bin/perl
# -*- coding: utf-8; mode: cperl; -*-
# Cyrillic and Greek to ^^HEX format
binmode(STDOUT, ":utf8");
while () {
utf8::decode($_);
foreach my $chr (split(//, $_)) {
if ((($chr ge "\x{0400}") && ($chr le "\x{04ff}")) || # Cyrillic
(($chr ge "\x{0370}") && ($chr le "\x{03ff}")) || # Greek
(($chr ge "\x{1f00}") && ($chr le "\x{1fff}"))) { # Greek Ext
utf8::encode($chr); # UTF-8 encode
foreach my $bchr (split(//, $chr)) {
print(sprintf("^^%x", ord($bchr)));
}
} else {
print($chr);
}
}
}