erlang 中文编码显示乱码问题

许久没做erlang开发了，最近有网友问到erlang的问题，就抽时间看下。问题是这样的，模块有中文，将中文直接打印出来，shell下显示会出现乱码，但如果先将中文转成binary，就可以正常显示出来。

shell中文乱码问题

这里以一个简单的例子，说明下：

-module(m).
-compile(export_all).

test() ->
    io:format("~ts~n", ["中国"]),
    io:format("~ts~n", [list_to_binary("中国")]).

以R17之前的erlang版本编译，然后测试下结果：

Eshell V5.10.3  (abort with ^G)
1> c(m).
{ok, m}
2> m:test().
中国
中国
ok

打印下erlang汇编码，这个test函数实现如下：

{function, test, 0, 2}.
  {label,1}.
    {line,[{location,"erl.erl",4}]}.
    {func_info,{atom,erl},{atom,test},0}.
  {label,2}.
    {allocate,0,0}.
    {move,{literal,[[228,184,173,229,155,189]]},{x,1}}.
    {move,{literal,"~ts~n"},{x,0}}.
    {line,[{location,"erl.erl",5}]}.
    {call_ext,2,{extfunc,io,format,2}}.
    {move,{literal,[<<228,184,173,229,155,189>>]},{x,1}}.
    {move,{literal,"~ts~n"},{x,0}}.
    {line,[{location,"erl.erl",6}]}.
    {call_ext_last,2,{extfunc,io,format,2},0}.

实际上，erlang在编译代码时会做优化。数据已知的话，list_to_binary在编译期就被优化掉了。

所以，test函数优化后如下：

test() ->
  io:format("~ts~n", [[228,184,173,229,155,189]]),
  io:format("~ts~n", [<<228,184,173,229,155,189>>]).

io:format/2 对中文的处理

看了 io:format/2 的实现代码，关键代码为以下两步：

1、格式化数据： io_lib:format/2

2、打印到shell：io:put_chars/1

现在用上面例子中的数据，

3> L = io_lib:format("~ts",[<<228,184,173,229,155,189>>]).
[[20013,22269]]
4> io:put_chars(L).
中国ok

这里分析io_lib:format/2 的代码，说说 ~ts 的处理过程。

%% io_lib.erl

format(Format, Args) ->
    case catch io_lib_format:fwrite(Format, Args) of
 {'EXIT',_} ->
     erlang:error(badarg, [Format, Args]);
 Other ->
     Other
    end.

实现代码在 io_lib_format模块，如下：

%% io_lib_format.erl

fwrite(Format, Args) when is_atom(Format) ->
    fwrite(atom_to_list(Format), Args);
fwrite(Format, Args) when is_binary(Format) ->
    fwrite(binary_to_list(Format), Args);
fwrite(Format, Args) ->
    Cs = collect(Format, Args),   %% 收集格式化信息，生成控制结构
    Pc = pcount(Cs),              %% 计算请求打印的数量
    build(Cs, Pc, 0).             %% 解析控制结构，生成数据

collect([$~|Fmt0], Args0) -> %% 格式化参数以 ~打头，否则忽略
    {C,Fmt1,Args1} = collect_cseq(Fmt0, Args0),
    [C|collect(Fmt1, Args1)];
collect([C|Fmt], Args) ->
    [C|collect(Fmt, Args)];
collect([], []) -> [].

collect_cseq(Fmt0, Args0) ->
    {F,Ad,Fmt1,Args1} = field_width(Fmt0, Args0),
    {P,Fmt2,Args2} = precision(Fmt1, Args1),
    {Pad,Fmt3,Args3} = pad_char(Fmt2, Args2),
    {Encoding,Fmt4,Args4} = encoding(Fmt3, Args3),
    {Strings,Fmt5,Args5} = strings(Fmt4, Args4),
    {C,As,Fmt6,Args6} = collect_cc(Fmt5, Args5),
    {{C,As,F,Ad,P,Pad,Encoding,Strings},Fmt6,Args6}.

%% 检查format 参数含有 t， 然后打标记 unicode，其他记latin1
encoding([$t|Fmt],Args) ->
    true = hd(Fmt) =/= $l,  %% 确保不是传入 ~tl
    {unicode,Fmt,Args};
encoding(Fmt,Args) ->
    {latin1,Fmt,Args}.

再看下以上build部分的代码。代码过长，做了删节：

%% io_lib_format.erl

build([{C,As,F,Ad,P,Pad,Enc,Str}|Cs], Pc0, I) ->
    S = control(C, As, F, Ad, P, Pad, Enc, Str, I),  %% 处理控制结构
    Pc1 = decr_pc(C, Pc0),
    if
 Pc1 > 0 -> [S|build(Cs, Pc1, indentation(S, I))];
 true -> [S|build(Cs, Pc1, I)]
    end;
build([$\n|Cs], Pc, _I) -> [$\n|build(Cs, Pc, 0)];
build([$\t|Cs], Pc, I) -> [$\t|build(Cs, Pc, ((I + 8) div 8) * 8)];
build([C|Cs], Pc, I) -> [C|build(Cs, Pc, I+1)];
build([], _Pc, _I) -> [].


control($w, [A], F, Adj, P, Pad, _Enc, _Str, _I) ->
    term(io_lib:write(A, -1), F, Adj, P, Pad);
control($p, [A], F, Adj, P, Pad, Enc, Str, I) ->
    print(A, -1, F, Adj, P, Pad, Enc, Str, I);
control($W, [A,Depth], F, Adj, P, Pad, _Enc, _Str, _I) when is_integer(Depth) ->
    term(io_lib:write(A, Depth), F, Adj, P, Pad);
control($P, [A,Depth], F, Adj, P, Pad, Enc, Str, I) when is_integer(Depth) ->
    print(A, Depth, F, Adj, P, Pad, Enc, Str, I);
control($s, [A], F, Adj, P, Pad, _Enc, _Str, _I) when is_atom(A) ->
    string(atom_to_list(A), F, Adj, P, Pad);
control($s, [L0], F, Adj, P, Pad, latin1, _Str, _I) ->  %% 处理 ~s，如果数据标记是 latin1
    L = iolist_to_chars(L0),
    string(L, F, Adj, P, Pad);
control($s, [L0], F, Adj, P, Pad, unicode, _Str, _I) -> %% 处理 ~s，如果数据标记是 unicode
    L = cdata_to_chars(L0),
    uniconv(string(L, F, Adj, P, Pad));
control($e, [A], F, Adj, P, Pad, _Enc, _Str, _I) when is_float(A) ->
    %% 该函数太长了，不是讨论重点，做了删节

cdata_to_chars([C|Cs]) when is_integer(C), C >= $\000 ->
    [C | cdata_to_chars(Cs)];
cdata_to_chars([I|Cs]) ->
    [cdata_to_chars(I) | cdata_to_chars(Cs)];
cdata_to_chars([]) ->
    [];
cdata_to_chars(B) when is_binary(B) -> %% 如果数据是binary，做一下unicode转换
    case catch unicode:characters_to_list(B) of
        L when is_list(L) -> L;
        _ -> binary_to_list(B)
    end.

可想而知，如果没有不是 ~ts，或者不是binary，都不会做转换。

探讨乱码问题

回过头再看前面的乱码问题，相信不少人会有这3个疑问：

1、为什么会有乱码问题

2、为什么latin1能表示中文

3、为什么utf8保存的代码在shell下显示乱码

现在看下这3个问题：

1、为什么会有乱码问题

乱码问题的产生，是因为数据记录的字符集和显示的字符集不一样，就会有乱码问题。好比你用gbk记录，然后试图用utf8去读取。

那为何英文、数字没问题，就中文这些有问题呢？

这是因为，后来出现的字符集都在最早出现的标准字符集（7比特ASCII码）的基础上拓展，沿用了ASCII码对于英文、数字这些字符的编码设定。但是，对于拓展字符集每个语种都有自己的定义方式，同样一段字符数据用不同的字符集就有不同的解释。这就是乱码出现的原因。

所以，再后来就有unicode的出现，unicode 标准涵盖了世界上的所有字符、标点和符号，不论是哪个平台、程序或语言，unicode 都能够进行文本数据的处理、存储和交换。

2、那为什么latin1能表示中文？

在R17前，代码都是默认以latin1方式读取和编译的，生成的字符信息以 latin1形式保存。（这个与shell直接打印中文有本质区别）

实际上，使用latin1无法将中文解读出来，只是latin1读取数据时没有破坏原来的编码信息。如果原文以utf8记录，显示的时候又以utf8表示，就能正常显示。

3、为什么utf8保存的代码在shell下显示乱码

这是因为unicode和utf8是有区别的，shell使用unicode字符集，代码使用utf8保存，如果不做转换，直接显示就会有问题。正是这样，io_lib:format/2 也对编码做了特殊处理，但也局限于前面所述的情况。

顺便提一下，erlang最开始是使用latin1作为字符集，在R13A后开始支持unicode字符集。而对源代码的utf8编码支持，是R16A之后，同时支持以utf8读写文件。直到R17后，erlang才将utf8做为源代码的默认编码，在这之前，源代码都以latin1形式读取和编译的。R17如果想改变默认编码，方法就是在模块首行加 %% coding: latin-1

小结下，将utf8数据转换成unicode编码，方法如下：

utf8_list_to_string(List) ->
    unicode:characters_to_list(list_to_binary(List)).

那读写utf8文件呢，怎么避免出现乱码呢？

read_and_write() ->
    {ok,Bin} = file:read_file("file.txt"),
    MyList = case unicode:characters_to_list(Bin) of
      L when is_list(L) -> L; 
      _ -> binary_to_list(Bin)
    end,
    {ok,G} = file:open("new_file.txt",[write,{encoding,utf8}]), 
    io:put_chars(G,MyList), 
    file:close(G). 

问题到这里就告一段落了，当然，erlang中文问题还不止如此，后续会继续讨论。好久没搞erlang了，突然心血来潮，写了这篇文章，希望喜欢。

2016/3/2 补充中文乱码问题的探讨
参考：

http://blog.csdn.net/mycwq/article/details/50762572

http://erlang.org/doc/apps/stdlib/unicode_usage.html