Perl, Unicode und Umlaute in Dateinamen
Das Projekt klingt einfach: eine Liste von Dateinamen aus einem Verzeichnis auslesen, in einer Datenbank speichern und zu einem späteren Zeitpunkt anhand der Liste in der Datenbank wieder öffnen. Leider konnte das Skript einige Dateien nicht mehr finden, obwohl diese im Verzeichnis weiterhin vorhanden waren.
Heruntergebrochen auf ein Beispielskript sieht das Szenario wie folgt aus:
#!/usr/bin/perl
use strict;
use warnings;
use utf8;
use DBI;
# remove database
unlink("files.sqlite");
# create database from scratch
my $dbh = DBI->connect("dbi:SQLite:dbname=files.sqlite", "", "", { sqlite_unicode => 1 });
$dbh->do("CREATE TABLE files (name TEXT);");
# the file to be processed
my $filename = "Elternschreiben Änderungen der Regelungen zum Infektionsschutz.pdf";
# create the file in the current directory
open(my $fh, ">$filename");
print $fh "TEXT";
close($fh);
# read files in current directory
opendir(my $dh, ".");
while (my $file = readdir($dh)) {
next if $file !~ /pdf$/;
$file = $dbh->quote($file);
$dbh->do("INSERT INTO files (name) VALUES ($file);");
}
closedir($dh);
# get number of files with name "filename"
$filename = $dbh->quote($filename);
my $sth = $dbh->prepare("SELECT COUNT(*) AS cnt FROM files WHERE name = $filename;");
$sth->execute;
my $row = $sth->fetchrow_hashref;
print "found $row->{cnt} file(s).\n";
$sth->finish;
$dbh->disconnect();
Statt des erwarteten Ergebnisses “1” ist das Skript jedoch der Meinung, keine passende Datei eingelesen zu haben:
found 0 file(s).
Um Probleme mit der Datenbank auszuschließen, kann das Szenario im Dateisystem nachgebildet werden:
#!/usr/bin/perl
use strict;
use warnings;
use utf8;
use DBI;
# the file to be processed
my $filename = "Elternschreiben Änderungen der Regelungen zum Infektionsschutz.pdf";
my $found = 0;
# create the file in the current directory
open(my $fh, ">$filename");
print $fh "TEXT";
close($fh);
# read files in current directory
opendir(my $dh, ".");
while (my $file = readdir($dh)) {
next if $file !~ /pdf$/;
if ($file eq $filename) { $found++; }
}
closedir($dh);
print "found $found file(s).\n";
Auch hier wird statt der erwarteten “1” eine “0” für die Menge der gefundenen Dateien ausgegeben.
found 0 file(s).
Einen ersten Hinweis auf die mögliche Ursache bringt die Ausgabe der zu vergleichenden Werte mittels “Data::Dumper”. Während für “$filename” der Wert
$VAR1 = "Elternschreiben \x{c4}nderungen der Regelungen zum Infektionsschutz.pdf";
ausgegeben wird, wird für “$file” der Wert
$VAR1 = 'Elternschreiben Änderungen der Regelungen zum Infektionsschutz.pdf';
ausgegeben, d.h. die Werte der beiden Variablen sind in der internen Repräsentation in Perl tatsächlich unterschiedlich. Mit den richtigen Anhaltspunkten führt eine Suche im Internet zum Stackoverflow-Beitrag “In what encoding does readdir return a filename?” und der dort verlinkten ausführlichen Erklärung.
Des Rätsels Lösung ist die Verwendung von “Encode::decode_utf8”
#!/usr/bin/perl
use strict;
use warnings;
use utf8;
use DBI;
use Encode;
# the file to be processed
my $filename = "Elternschreiben Änderungen der Regelungen zum Infektionsschutz.pdf";
my $found = 0;
# create the file in the current directory
open(my $fh, ">$filename");
print $fh "TEXT";
close($fh);
# read files in current directory
opendir(my $dh, ".");
while (my $file = readdir($dh)) {
next if $file !~ /pdf$/;
if (Encode::decode_utf8($file) eq $filename) { $found++; }
}
closedir($dh);
print "found $found file(s).\n";
dann stimmt auch die Anzahl der gefundenen Dateien mit der erwarteten Anzahl überein:
found 1 file(s).