perl – ‘子程序条目中的宽字符“ – UTF-8编码的西里尔字作为字节序列

我正在开发一个带有大字典的 Android文字游戏 –

单词(超过700 000)在文本文件中保存为单独的行(然后放入sqlite数据库中).

为了防止竞争对手提取我的字典,我想用md5编码长度超过3个字符的所有单词. (我不会用简短的​​俄语字母ъ和э混淆简短的单词和单词,因为我想在我的应用程序中列出它们).

所以这是我尝试在Mac Yosemite上使用perl v5.18.2运行的脚本：

#!/usr/bin/perl -w

use Strict;
use utf8;
use Digest::MD5 qw(md5_heX);

binmode(STDIN,":utf8");
#binmode(STDOUT,":raw");
binmode(STDOUT,":utf8");

while(<>) {
        chomp;
        next if length($_) < 2; # ignore 1 letter junk
        next if /жы/;           # impossible combination in Russian
        next if /шы/;           # impossible combination in Russian

        s/ё/е/g;

        #print "ORIGINAL WORD $_\tENCODED WORD: ";

        if (length($_) <= 3 || /ъ/ || /э/) { # do not obfuscate short words
                print "$_\n";                # and words with rare letters
                next;
        }

        print md5_hex($_) . "\n";            # this line crashes
}

正如你所看到的,我必须在我的Perl脚本的源代码中使用西里尔字母 – 这就是我使用utf8的原因;在它的顶部.

但是我真正的问题是长度($_)报告的值太高(可能是报告字节数而不是字符数).

所以我尝试添加：

binmode(STDOUT,":raw");

要么：

binmode(STDOUT,":utf8");

但是脚本然后在带有print md5_hex($_)的行的子例程条目中以宽字符终止.

请帮我修改我的脚本.

我把它当作：

perl ./generate-md5.pl < words.txt > encoded.txt

这里是示例words.txt数据为方便起见：

а
аб
абв
абвг
абвгд
съемка

use Strict;
use utf8;
use Digest::MD5;
use Encode;
# ....
# $_ is assumed to be utf8 encoded without check
print Digest::MD5::md5_hex(Encode::encode_utf8($_)),"\n";
# Conversion only when required:
print Digest::MD5::md5_hex(utf8::is_utf8($_) ? Encode::encode_utf8($_) : $_),"\n";