require 'socket'
req = Apache.request
req.sync = true
#req.send_http_header
req.print ''
TCPSocket.open('localhost', '22') {|sock|
t1 = Thread.new {
loop {
begin
buf = sock.sysread(8192)
rescue EOFError
break
end
print buf
}
}
until (buf = req.get_client_block(8192)).empty?
sock.print buf
end
t1.join
}
というくらい書けば簡単な tunnel ができるのではないか... と思ったのは甘かった。 get_client_block がもう一方の thread も block してしまう模様。 考えてみりゃそりゃそうか。
解決法としては、 httptunnel みたいに、行き(POST)と帰り(GET)を別リクエストにするか、 Apache を調べて select みたいな入出力の多重化のやりかたを調べるか、 半二重な通信路上で polling して全二重を実現するか、 あたりが考えられる。
どれもそれなりにちゃれんじんぐ。
ふと、EUC と UTF-8 の共通部分を調べる。
Grail を使うので、まず、各バイトを適当に Grail で使える文字にエンコードしなければならない。 以前、EUC と SJIS でやった時は手作業でやったが、 今回は遥かに複雑で、手作業はすぐにあきらめて NatSet を使う。
[[#<NatSet: 0..127>, "a"], [#<NatSet: 128..131>, "b"], [#<NatSet: 132..135>, "c"], [#<NatSet: 136..141>, "d"], [#<NatSet: 142>, "e"], [#<NatSet: 143>, "f"], [#<NatSet: 144..159>, "g"], [#<NatSet: 160>, "h"], [#<NatSet: 161..191>, "i"], [#<NatSet: 192..193 254>, "j"], [#<NatSet: 194..223>, "k"], [#<NatSet: 224>, "l"], [#<NatSet: 225..236>, "m"], [#<NatSet: 237>, "n"], [#<NatSet: 238..239>, "o"], [#<NatSet: 240>, "p"], [#<NatSet: 241..247>, "q"], [#<NatSet: 248>, "r"], [#<NatSet: 249..251>, "s"], [#<NatSet: 252>, "t"], [#<NatSet: 253>, "u"], [#<NatSet: 255>, "v"]]
という対応になった。 この対応に従えば、EUC は
((o+l+i+q+p+m+k+j+n+t+s+u+r)(o+l+i+q+p+m+k+j+n+t+s+u+r)+(e)(o+l+i+q+p+m+k+j+n+t+s+u+r)+(f)(o+l+i+q+p+m+k+j+n+t+s+u+r)(o+l+i+q+p+m+k+j+n+t+s+u+r))*
と表現され、UTF-8 は
((k)(h+b+i+g+d+c+f+e)+(l)(h+i)(h+b+i+g+d+c+f+e)+(m)(h+b+i+g+d+c+f+e)(h+b+i+g+d+c+f+e)+(n)(b+g+d+c+f+e)(h+b+i+g+d+c+f+e)+(o)(h+b+i+g+d+c+f+e)(h+b+i+g+d+c+f+e)+(p)(h+i+g)(h+b+i+g+d+c+f+e)(h+b+i+g+d+c+f+e)+(q)(h+b+i+g+d+c+f+e)(h+b+i+g+d+c+f+e)(h+b+i+g+d+c+f+e)+(r)(h+i+g+d+f+e)(o+l+q+p+m+k+j+n+t+s+v+u+r)(h+b+i+g+d+c+f+e)(h+b+i+g+d+c+f+e)+(s)(h+b+i+g+d+c+f+e)(h+b+i+g+d+c+f+e)(h+b+i+g+d+c+f+e)(h+b+i+g+d+c+f+e)+(t)(h+i+g+d+c+f+e)(h+b+i+g+d+c+f+e)(h+b+i+g+d+c+f+e)(h+b+i+g+d+c+f+e)(h+b+i+g+d+c+f+e)+(u)(h+b+i+g+d+c+f+e)(h+b+i+g+d+c+f+e)(h+b+i+g+d+c+f+e)(h+b+i+g+d+c+f+e)(h+b+i+g+d+c+f+e))*
となる。 ただし、0..127 はどっちでも ASCII で意味が同じなので除いてある。
あとは、Grail に食わせて、最小 DFA に変換して共通部分をとればいい。 その結果、22状態の DFA が求まる。
(START) |- 0 0 k 1 0 l 2 0 m 2 0 o 2 0 p 3 0 q 3 0 r 4 0 s 5 0 t 6 0 u 6 1 i 0 2 i 7 3 i 8 4 i 9 5 i 10 6 i 11 7 e 12 7 f 13 7 i 12 8 e 1 8 f 14 8 i 1 9 j 2 9 k 2 9 l 2 9 m 2 9 n 2 9 o 2 9 p 2 9 q 2 9 r 2 9 s 2 9 t 2 9 u 2 10 e 2 10 f 15 10 i 2 11 e 3 11 f 16 11 i 3 12 k 7 12 l 15 12 m 8 12 n 17 12 o 8 12 p 16 12 q 10 12 r 18 12 s 11 12 t 19 12 u 19 13 k 1 13 l 2 13 m 2 13 o 2 13 p 3 13 q 3 13 r 4 13 s 5 13 t 6 13 u 6 14 i 12 15 i 1 16 i 2 17 e 1 17 f 14 18 e 20 18 f 9 18 i 20 19 e 5 19 f 21 19 i 5 20 j 8 20 k 8 20 l 8 20 m 8 20 n 8 20 o 8 20 p 8 20 q 8 20 r 8 20 s 8 20 t 8 20 u 8 21 i 3 0 -| (FINAL)
でもなんだかよくわからない。
しょうがないのでびじゅあらいずというわけで、 GraphViz の dot に食わせるために fmtodot を書く。
なんか出てきた、が、やっぱりよくわからないことには違いない。 ただ、8byte のサイクルが見えるので、 EUC 4文字と UTF-8 などという組合せがある模様。
例示させよう、というわけで fmenum で短いほうから生成させる。
ki kiki piei piii qiei qiii lifki mifki oifki sifii kikiki kipiei kipiii kiqiei kiqiii lielii liemei liemii lienei lieoei lieoii liilii liimei liimii liinei liioei liioii mielii miemei miemii mienei mieoei mieoii miilii miimei miimii miinei miioei miioii oielii oiemei oiemii oienei oieoei oieoii oiilii oiimei oiimii oiinei oiioei oiioii pieiki piiiki qieiki qiiiki tieiei tieiii tiiiei tiiiii uieiei uieiii uiiiei uiiiii kilifki kimifki kioifki kisifii liekfki lieqfii lifkiki lifpiei lifpiii lifqiei lifqiii liikfki liiqfii miekfki mieqfii mifkiki mifpiei mifpiii mifqiei mifqiii miikfki miiqfii oiekfki oieqfii oifkiki oifpiei oifpiii oifqiei oifqiii oiikfki oiiqfii pifilii pifimei pifimii pifinei pifioei
空でない最初の奴は 2byte の ki で、 194..223 161..191 つまり [\xc2-\xdf][\xa1-\xbf] である。
EUC-JP 側でいえば、JIS X 0208 の 94x94 のコード表で 「臓」「多」「漾」「濘」の 4文字で括られた矩形に含まれる文字は UTF-8 としても解釈可能なバイト列になる、と。
UTF-8 側だと... Unicode で XXXXY1ZZZZZ というパターンで、 XXXX は 0001 から 1111 まで、 Y は 0 から 1 まで、 ZZZZZ は 0001 から 11111 までの組合せである。 XXXX が 0001 なところは Latin-1 Supplement で、 row が 0b1010=0xa, 0b1011=0xb, 0b1110=0xe, 0x1111=0xf なところ、つまり ISO-8859-1 で [\xa1-\xaf\xb1-\bf\xe1-\xef\xf1-\ff] は UTF-8 で表現した時に EUC としても解釈可能になる、と。 むろん、Latin-1 Supplement 以外にもたくさんあるはずである。
まぁ、UTF-8 全体じゃなくて、 日本語レパートリとの共通部分を考えるべきかも知れない。
日本語レパートリって、どこに定義されてたっけか...