Warum sind zwei Strings mit gleichen Bytes und Codierung in Ruby 1.9 nicht identisch?

Question

In Ruby 1.9.2, fand ich eine Möglichkeit, zwei Strings, die die gleichen Bytes, die gleiche Codierung und sind gleich, aber sie haben eine andere length und verschiedene Zeichen von [].

Ist das ein Fehler? Wenn es kein Fehler ist, möchte ich es vollständig verstehen. Welche Art von Informationen werden in Ruby 1.9.2 String-Objekten gespeichert, damit sich diese beiden Strings anders verhalten können?

Unten ist der Code, der dieses Verhalten reproduziert. Die Kommentare, die mit #=> beginnen, zeigen Ihnen, welche Ausgabe ich von diesem Skript erhalte, und die Klammern in Klammern geben Ihnen mein Urteil über diese Ausgabe.

#!/usr/bin/ruby1.9 
# coding: utf-8 
string1 = "\xC2\xA2"  # A well-behaved string with one character (¢) 
string2 = "".concat(0xA2) # A bizarre string very similar to string1. 
p string1.bytes.to_a #=> [194, 162] (good) 
p string2.bytes.to_a #=> [194, 162] (good) 
puts string1.encoding.name #=> UTF-8 (good) 
puts string2.encoding.name #=> UTF-8 (good) 
puts string1 == string2 #=> true (good) 
puts string1.length  #=> 1  (good) 
puts string2.length  #=> 2  (weird!) 
p string1[0]   #=> "¢" (good) 
p string2[0]   #=> "\xC2" (weird!) 

Ich benutze Ubuntu und kompilierte Ruby aus der Quelle. Meine Ruby-Version ist:

ruby 1.9.2p0 (2010-08-18 revision 29036) [x86_64-linux] 

Answer 1

Es ist Rubys Fehler und r29848 fixiert.

Answer 2

Ich denke, das Problem liegt in der Codierung der Zeichenfolge. Sehen Sie sich den Artikel Shades of Gray: Ruby 1.9's String von James Grey zur Unicode-Codierung an.

---

Zusätzliche merkwürdiges Verhalten:

# coding: utf-8 

string1 = "\xC2\xA2"  
string2 = "".concat(0xA2) 
string3 = 0xC2.chr + 0xA2.chr 

string1.bytes.to_a # => [194, 162] 
string2.bytes.to_a # => [194, 162] 
string3.bytes.to_a # => [194, 162] 

string1.encoding.name # => "UTF-8" 
string2.encoding.name # => "UTF-8" 
string3.encoding.name # => "ASCII-8BIT" 

string1 == string2 # => true 
string1 == string3 # => false 
string2 == string3 # => true 

string1.length  # => 1 
string2.length  # => 2 
string3.length  # => 2 

string1[0]   # => "¢" 
string2[0]   # => "\xC2" 
string3[0]   # => "\xC2" 

---

string3.unpack('C*') # => [194, 162] 
string4 = string3.unpack('C*').pack('C*') # => "\xC2\xA2" 
string4.encoding.name # => "ASCII-8BIT" 
string4.force_encoding('UTF-8') # => "¢" 

string3.force_encoding('UTF-8') # => "¢" 
string3.encoding.name # => "UTF-8" 

Answer 3

Matz erwähnte diese Frage über Twitter:

http://twitter.com/matz_translator/status/6597021662187520

http://twitter.com/matz_translator/status/6597055132733440

„Es ist schwer, als ein Fehler zu bestimmen, aber es nicht akzeptabel ist, es zu verlassen wie ich würde es vorziehen, zu beheben. dieses Problem."