[ruby-dev:33223] Re: Binary String

永井＠知能．九工大です．

先のメールに少し補足します．

From: Hidetoshi NAGAI <[e-mail]>
Subject: [ruby-dev:33202] Re: Binary String
Date: Sun, 20 Jan 2008 06:58:41 +0900
Message-ID: <[e-mail]>

> 永井＠知能．九工大です．
> 
> From: Yukihiro Matsumoto <[e-mail]>
> Subject: [ruby-dev:33193] Re: Binary String
> Date: Sun, 20 Jan 2008 02:28:17 +0900
> Message-ID: <[e-mail]>
> > 「一番すっきり」という基準がよくわからないのですが、私の主観
> > ではわからないものは全部「ASCII-8BIT」というのが一番すっきり
> > しています。
> 
> わからないものとわかる or わかるとしていいものとの両方に
> ASCII-8BIT が付くことがあるように見受けられるので．．．
> 
> 「何でこれが ASCII-8BIT になっちゃうの！」というケースが
> 一切無くなるのであれば，ASCII-8BIT でもいいんですが．

簡単に言ってしまうと，
「わからないものについては『わからない』って正直に言っちゃおうよ」
って話です．
そうすれば「あれにすべき」だとか「勝手に与えるべきではない」だとかで
ゴタゴタしないでしょうし，未定義を扱いたい人もそうでない人も
どちらも納得できるようにできるかもと思ってます．

> > なんだかえらく複雑ですが、default_undefinedをプログラム中から
> > 変更できるならそれは一種の大域変数なので面倒な「状態」を導入
> > することになります。スレッドセーフじゃなくなるし。それはあま
> 
> 実装の問題はよく分かっていないのですが．そうなんですか？

こんな感じのことを考えてたんですが．．．
------------------------------------------------------------
$ irb19
irb(main):001:0> s = '感じ'
=> "感じ"
irb(main):002:0> s.encoding
=> #<Encoding:EUC-JP>
irb(main):003:0> s2 = s.dup
=> "感じ"
irb(main):004:0> s2.force_encoding('UNDEFINED-8BIT')
=> "\xB4\xB6\xA4\xB8"
irb(main):005:0> Encoding.default_undefined
=> #<Encoding:ASCII-8BIT>
irb(main):006:0> Encoding.default_undefined = 'EUC-JP'
=> "EUC-JP"
irb(main):007:0> Encoding.default_undefined
=> #<Encoding:EUC-JP>
irb(main):008:0> s2
=> "感じ"
irb(main):009:0> s2.encoding
=> #<Encoding:UNDEFINED-8BIT>
irb(main):010:0> Encoding.default_undefined = 'ASCII-8BIT'
=> "ASCII-8BIT"
irb(main):011:0> s2
=> "\xB4\xB6\xA4\xB8"
irb(main):012:0> s2.encoding
=> #<Encoding:UNDEFINED-8BIT>
irb(main):013:0>
------------------------------------------------------------
ここでは UNDEFINED-8BIT への force_encoding を許してますが，
これは禁止してもいいのかなと思ってます．

上記動作のためのパッチは以下の通りです．
無茶なことをやってますかね？(^_^;

ついでに ENC_ALIAS("BINARY", "ASCII-8BIT") ではなく
ENC_REPLICATE("BINARY", "ASCII-8BIT") なら十分満足なんですが．．．

Index: encoding.c
===================================================================
--- encoding.c	(revision 15145)
+++ encoding.c	(working copy)
@@ -313,6 +313,43 @@
     return enc_replicate(idx, name, rb_enc_from_index(origidx));
 }
 
+static char* UNDEFINED_ENC = "UNDEFINED-8BIT";
+
+static VALUE
+get_default_undefined(VALUE self)
+{
+    int idx;
+
+    idx = rb_enc_find_index(UNDEFINED_ENC);
+    if (idx < 0) {
+	rb_raise(rb_eArgError, "can't find encoding name - %s", UNDEFINED_ENC);
+    }
+    return enc_base_encoding(rb_enc_from_encoding(enc_table.list[idx].enc));
+}
+
+static VALUE
+set_default_undefined(VALUE klass, VALUE enc)
+{
+    int idx;
+    rb_encoding *encoding;
+
+    if (SYMBOL_P(enc)) enc = rb_id2str(SYM2ID(enc));
+    idx = rb_enc_find_index(StringValueCStr(enc));
+    if (idx < 0) {
+	rb_raise(rb_eArgError, "unknown encoding name - %s", RSTRING_PTR(enc));
+    }
+    encoding = rb_enc_from_index(idx);
+
+    idx = rb_enc_find_index(UNDEFINED_ENC);
+    if (idx < 0) {
+	rb_raise(rb_eArgError, "can't find encoding name - %s", UNDEFINED_ENC);
+    }
+    enc_register_at(idx, UNDEFINED_ENC, encoding);
+    set_base_encoding(idx, encoding);
+
+    return rb_enc_from_encoding(encoding);
+}
+
 int
 rb_define_dummy_encoding(const char *name)
 {
@@ -1209,6 +1246,9 @@
     rb_define_method(rb_cEncoding, "_dump", enc_dump, -1);
     rb_define_singleton_method(rb_cEncoding, "_load", enc_load, 1);
 
+    rb_define_singleton_method(rb_cEncoding, "default_undefined", get_default_undefined, 0);
+    rb_define_singleton_method(rb_cEncoding, "default_undefined=", set_default_undefined, 1);
+
     rb_define_singleton_method(rb_cEncoding, "default_external", get_default_external, 0);
     rb_define_singleton_method(rb_cEncoding, "locale_charmap", rb_locale_charmap, 0);
 
Index: enc/ascii.c
===================================================================
--- enc/ascii.c	(revision 15145)
+++ enc/ascii.c	(working copy)
@@ -48,6 +48,7 @@
   onigenc_always_true_is_allowed_reverse_match
 };
 ENC_ALIAS("BINARY", "ASCII-8BIT");
+ENC_REPLICATE("UNDEFINED-8BIT", "ASCII-8BIT");
 ENC_REPLICATE("IBM437", "ASCII-8BIT");
 ENC_ALIAS("CP437", "IBM437");
 ENC_REPLICATE("IBM737", "ASCII-8BIT");


-- 
                                       永井 秀利 （九工大 知能情報）
                                           [e-mail]