Ruby/Encoding

Encoding Desteği

Ruby 1.9'un gelişiyle beraber, Ruby string'ler, IO ve kaynak kodu için US-ASCII'den başka karakter kodlamaları da kullanmaya başladı. Ruby 1.9.3 MRI'ın Mac OSX Lion'da kurulumunda, Ruby aşağıdaki karakter kodlamalarına sahiptir:

ASCII-8BIT
UTF-8
US-ASCII
Big5
Big5-HKSCS
Big5-UAO
CP949
Emacs-Mule
EUC-JP
EUC-KR
EUC-TW
GB18030
GBK
ISO-8859-1
ISO-8859-2
ISO-8859-3
ISO-8859-4
ISO-8859-5
ISO-8859-6
ISO-8859-7
ISO-8859-8
ISO-8859-9
ISO-8859-10
ISO-8859-11
ISO-8859-13
ISO-8859-14
ISO-8859-15
ISO-8859-16
KOI8-R
KOI8-U
Shift_JIS
UTF-16BE
UTF-16LE
UTF-32BE
UTF-32LE
Windows-1251
IBM437
IBM737
IBM775
CP850
IBM852
CP852
IBM855
CP855
IBM857
IBM860
IBM861
IBM862
IBM863
IBM864
IBM865
IBM866
IBM869
Windows-1258
GB1988
macCentEuro
macCroatian
macCyrillic
macGreek
macIceland
macRoman
macRomania
macThai
macTurkish
macUkraine
CP950
CP951
stateless-ISO-2022-JP
eucJP-ms
CP51932
GB2312
GB12345
ISO-2022-JP
ISO-2022-JP-2
CP50220
CP50221
Windows-1252
Windows-1250
Windows-1256
Windows-1253
Windows-1255
Windows-1254
TIS-620
Windows-874
Windows-1257
Windows-31J
MacJapanese
UTF-7
UTF8-MAC
UTF-16
UTF-32
UTF8-DoCoMo
SJIS-DoCoMo
UTF8-KDDI
SJIS-KDDI
ISO-2022-JP-KDDI
stateless-ISO-2022-JP-KDDI
UTF8-SoftBank
SJIS-SoftBank

Encoding Kullanımı

Default olarak Ruby 2.='dan bu yana tüm Ruby kaynak dosyaları UTF-8 olarak kodlanmıştır. Bir dosyanın karakter kodlamasını değiştirmenin genel yolu "sihirli yorum satırı" denen yorum satırını kullanmaktır. Sihirli yorum satırı dosyanın en başında olmalıdır ya da hemen | shebang yorumun arkasında olmalıdır. Sihirli yorumun tek ihtiyacı vardır: Yorumda coding: kelimesi ve takip eden bir karakter kodlama ismi. Yani aşağıdakiler geçerli sihirli yorum satırları:

#encoding: UTF-8
#coding: UTF-8
#blah blah coding: US-ASCII

Sihirli yorum satırı Ruby işleyiciye (interpreter) bu kaynak kodunun ve içindeki tüm string'lerin verilen karakter kodlamasında olduğunu bildirir. Yani şu geçerli bir kod:

#encoding: ISO-8859-1
puts "Olé!"

Ama bu değil:

#encoding: US-ASCII
puts "Olé!"

Çünkü ilk kodda karakter kodlaması ISO-8859-1 verilmiş (US-ASCII kodlamasına Fransızca ve İspanyolca karakterleri ekleyerek oluşturulan bir karakter kodlaması), bu durumda "é" karakteri geçerli olacaktır. Ancak US-ASCII kodlamasında "é" geçersiz bir karakterdir ve hata verecektir.

$ ruby encode.rb
encode.rb:
encode.rb:2: invalid multibyte char (US-ASCII) 
(SyntaxError)
encode.rb:2: invalid multibyte char (US-ASCII)

String'leri Bağımsız Olarak Karakter Kodlamak

Dosyanızın içindeki string'lerin karakter kodlarını bağımsız olarak da verebilirsiniz (her ne kadar string değerlerin ifadesinde hala sihirli yorum tarafından bildirilen kodlamada olması veya escape sequence aracılığıyla eklenmesi gerekse de). Bunu yapmak için String sınıfının iki metodu kullanılır: encode ve force_encoding.

encode kod dönüştürmek için kullanılır. Mesela ISO-8859-1 kodlamasıyla verilen "Olé!" string değerini, tüm karakterlerini içeren UTF-8 kodlamaya çevirmek için encode kullanabilirsiniz. Bununla beraber, ISO-8859-1'de verilen bir string'i US-ASCII kodlamaya dönüştürmek isterseniz bu sadece değer ASCII karakterler içerdiğinde (örn. "Hello") mümkündür. encode metodunun birçok opsiyonları vardır ve kapsamlı bir şekilde yapılandırılabilir. Orjinal dökümanına bakabilirsiniz. encode metodunun püf noktası: Karakterlerin görseli ve anlamı aynı kalsa da altta yatan sayılar genelde aynı kalır. encode metodunun string değerin altında yatan byte'ları değiştirme özgürlüğü vardır. Örnek:

#encoding: ISO-8859-1
"Olé!".encode("UTF-8") #Geçerli
"Olé!".encode("US-ASCII") #Error

force_encoding metodu ise Ruby'ye string değerin bu dönüştürülecek encoding ile aynı sayısal değerlere sahip olduğunu ve değiştirilmemesi gerektiğini deklare eder (mesela ISO-8859-1 kodlamalı bir program içinde UTF-8 kodlamalı bir dosyadan değer okudunuz). force_encoding metodu string değerin altında yatan byte'ları asla değiştirmez. Örnek:

#encoding: ISO-8859-1
"\u27d8".force_encoding("UTF-8")

ASCII-8 Bit

Ruby ayrıca bir sahte karakter kodlaması da içerir: ASCII-8 Bit, veya BINARY. BINARY karakter kodlaması binary veriler için kullanılır.

#encoding: ISO-8859-1