haskell - 無効なコードページのバイトシーケンス

Question

readFile "file.html" 
"start of the file... *** Exception: file.html: hGetContents: invalid argument (invalid code page byte sequence) 

これはnotepad ++で作成されたUTF-8ファイルです...どのようにしてhaskellでファイルを読むことができますか？

Answer 1

デフォルトでは、ファイルはシステムロケールで読み込まれるため、非標準のエンコーディングを使用するファイルがある場合は、ファイルハンドルのエンコーディングを自分で設定する必要があります。

foo = do 
    handle <- openFile "file.html" ReadMode 
    hSetEncoding handle utf8_bom 
    contents <- hGetContents handle 
    doSomethingWithContents 
    hClose handle 

をご利用ください。これは何のエラー処理が含まれていない、より良い方法は、このようにthis siteによる

import Control.Exception -- for bracket 

foo = bracket 
     (openFile "file.html" ReadMode >>= \h -> hSetEncoding h utf8_bom >> return h) 
     hClose 
     (\h -> hGetContents h >>= doSomething) 

または

foo = withFile "file.html" ReadMode $ 
     \h -> do hSetEncoding h utf8_bom 
       contents <- hGetContents h 
       doSomethingWith contents 

Answer 2

になり、次のように、あなたの6つのバイトをデコードすることに注意してください：

EF BB BF -> ZERO WIDTH NO-BREAK SPACE (i.e. the BOM, although its not needed in UTF-8 
C4 8D -> LATIN SMALL LETTER C WITH CARON (what you said) 
0D  -> CARRIAGE RETURN (CR) 

だから、そのA法的なUTF-8シーケンス。

しかし、標準のPrelude関数はもともとASCIIを行っただけです。私は彼らが今何をしているのか分からないが、いくつかのアイデアについてはこの質問How does GHC/Haskell decide what character encoding it's going to decode/encode from/to?を参照してください。そして、Prelude関数の代わりにhttp://hackage.haskell.org/package/utf8-stringを使用してください。