home *** CD-ROM | disk | FTP | other *** search
/ Chip 2000 May / Chip_2000-05_cd1.bin / zkuste / Perl / ActivePerl-5.6.0.613.msi / 䆊䌷䈹䈙䏵-䞅䞆䞀㡆䞃䄦䠥 / _354de74172d387351258be5250bf3a2b < prev    next >
Text File  |  2000-03-23  |  14KB  |  251 lines
  1. <HTML>
  2. <HEAD>
  3. <TITLE>perlunicode - Unicode support in Perl</TITLE>
  4. <LINK REL="stylesheet" HREF="../../Active.css" TYPE="text/css">
  5. <LINK REV="made" HREF="mailto:">
  6. </HEAD>
  7.  
  8. <BODY>
  9. <TABLE BORDER=0 CELLPADDING=0 CELLSPACING=0 WIDTH=100%>
  10. <TR><TD CLASS=block VALIGN=MIDDLE WIDTH=100% BGCOLOR="#cccccc">
  11. <STRONG><P CLASS=block> perlunicode - Unicode support in Perl</P></STRONG>
  12. </TD></TR>
  13. </TABLE>
  14.  
  15. <A NAME="__index__"></A>
  16. <!-- INDEX BEGIN -->
  17.  
  18. <UL>
  19.  
  20.     <LI><A HREF="#name">NAME</A></LI>
  21.     <LI><A HREF="#description">DESCRIPTION</A></LI>
  22.     <UL>
  23.  
  24.         <LI><A HREF="#important caveat">Important Caveat</A></LI>
  25.         <LI><A HREF="#byte and character semantics">Byte and Character semantics</A></LI>
  26.         <LI><A HREF="#effects of character semantics">Effects of character semantics</A></LI>
  27.         <LI><A HREF="#character encodings for input and output">Character encodings for input and output</A></LI>
  28.     </UL>
  29.  
  30.     <LI><A HREF="#caveats">CAVEATS</A></LI>
  31.     <LI><A HREF="#see also">SEE ALSO</A></LI>
  32. </UL>
  33. <!-- INDEX END -->
  34.  
  35. <HR>
  36. <P>
  37. <H1><A NAME="name">NAME</A></H1>
  38. <P>perlunicode - Unicode support in Perl</P>
  39. <P>
  40. <HR>
  41. <H1><A NAME="description">DESCRIPTION</A></H1>
  42. <P>
  43. <H2><A NAME="important caveat">Important Caveat</A></H2>
  44. <P>WARNING: The implementation of Unicode support in Perl is incomplete.</P>
  45. <P>The following areas need further work.</P>
  46. <DL>
  47. <DT><STRONG><A NAME="item_Input_and_Output_Disciplines">Input and Output Disciplines</A></STRONG><BR>
  48. <DD>
  49. There is currently no easy way to mark data read from a file or other
  50. external source as being utf8.  This will be one of the major areas of
  51. focus in the near future.
  52. <P></P>
  53. <DT><STRONG><A NAME="item_Regular_Expressions">Regular Expressions</A></STRONG><BR>
  54. <DD>
  55. The existing regular expression compiler does not produce polymorphic
  56. opcodes.  This means that the determination on whether to match Unicode
  57. characters is made when the pattern is compiled, based on whether the
  58. pattern contains Unicode characters, and not when the matching happens
  59. at run time.  This needs to be changed to adaptively match Unicode if
  60. the string to be matched is Unicode.
  61. <P></P>
  62. <DT><STRONG><A NAME="item_use_utf8_still_needed_to_enable_a_few_features"><CODE>use utf8</CODE> still needed to enable a few features</A></STRONG><BR>
  63. <DD>
  64. The <CODE>utf8</CODE> pragma implements the tables used for Unicode support.  These
  65. tables are automatically loaded on demand, so the <CODE>utf8</CODE> pragma need not
  66. normally be used.
  67. <P>However, as a compatibility measure, this pragma must be explicitly used
  68. to enable recognition of UTF-8 encoded literals and identifiers in the
  69. source text.</P>
  70. <P></P></DL>
  71. <P>
  72. <H2><A NAME="byte and character semantics">Byte and Character semantics</A></H2>
  73. <P>Beginning with version 5.6, Perl uses logically wide characters to
  74. represent strings internally.  This internal representation of strings
  75. uses the UTF-8 encoding.</P>
  76. <P>In future, Perl-level operations can be expected to work with characters
  77. rather than bytes, in general.</P>
  78. <P>However, as strictly an interim compatibility measure, Perl v5.6 aims to
  79. provide a safe migration path from byte semantics to character semantics
  80. for programs.  For operations where Perl can unambiguously decide that the
  81. input data is characters, Perl now switches to character semantics.
  82. For operations where this determination cannot be made without additional
  83. information from the user, Perl decides in favor of compatibility, and
  84. chooses to use byte semantics.</P>
  85. <P>This behavior preserves compatibility with earlier versions of Perl,
  86. which allowed byte semantics in Perl operations, but only as long as
  87. none of the program's inputs are marked as being as source of Unicode
  88. character data.  Such data may come from filehandles, from calls to
  89. external programs, from information provided by the system (such as %ENV),
  90. or from literals and constants in the source text.</P>
  91. <P>If the <CODE>-C</CODE> command line switch is used, (or the ${^WIDE_SYSTEM_CALLS}
  92. global flag is set to <CODE>1</CODE>), all system calls will use the
  93. corresponding wide character APIs.  This is currently only implemented
  94. on Windows.</P>
  95. <P>Regardless of the above, the <CODE>bytes</CODE> pragma can always be used to force
  96. byte semantics in a particular lexical scope.  See <A HREF="../../lib/bytes.html">the bytes manpage</A>.</P>
  97. <P>The <CODE>utf8</CODE> pragma is primarily a compatibility device that enables
  98. recognition of UTF-8 in literals encountered by the parser.  It may also
  99. be used for enabling some of the more experimental Unicode support features.
  100. Note that this pragma is only required until a future version of Perl
  101. in which character semantics will become the default.  This pragma may
  102. then become a no-op.  See <A HREF="../../lib/utf8.html">the utf8 manpage</A>.</P>
  103. <P>Unless mentioned otherwise, Perl operators will use character semantics
  104. when they are dealing with Unicode data, and byte semantics otherwise.
  105. Thus, character semantics for these operations apply transparently; if
  106. the input data came from a Unicode source (for example, by adding a
  107. character encoding discipline to the filehandle whence it came, or a
  108. literal UTF-8 string constant in the program), character semantics
  109. apply; otherwise, byte semantics are in effect.  To force byte semantics
  110. on Unicode data, the <CODE>bytes</CODE> pragma should be used.</P>
  111. <P>Under character semantics, many operations that formerly operated on
  112. bytes change to operating on characters.  For ASCII data this makes
  113. no difference, because UTF-8 stores ASCII in single bytes, but for
  114. any character greater than <A HREF="../../lib/Pod/perlfunc.html#item_chr"><CODE>chr(127)</CODE></A>, the character may be stored in
  115. a sequence of two or more bytes, all of which have the high bit set.
  116. But by and large, the user need not worry about this, because Perl
  117. hides it from the user.  A character in Perl is logically just a number
  118. ranging from 0 to 2**32 or so.  Larger characters encode to longer
  119. sequences of bytes internally, but again, this is just an internal
  120. detail which is hidden at the Perl level.</P>
  121. <P>
  122. <H2><A NAME="effects of character semantics">Effects of character semantics</A></H2>
  123. <P>Character semantics have the following effects:</P>
  124. <UL>
  125. <LI>
  126. Strings and patterns may contain characters that have an ordinal value
  127. larger than 255.
  128. <P>Presuming you use a Unicode editor to edit your program, such characters
  129. will typically occur directly within the literal strings as UTF-8
  130. characters, but you can also specify a particular character with an
  131. extension of the <CODE>\x</CODE> notation.  UTF-8 characters are specified by
  132. putting the hexadecimal code within curlies after the <CODE>\x</CODE>.  For instance,
  133. a Unicode smiley face is <CODE>\x{263A}</CODE>.  A character in the Latin-1 range
  134. (128..255) should be written <CODE>\x{ab}</CODE> rather than <CODE>\xab</CODE>, since the
  135. former will turn into a two-byte UTF-8 code, while the latter will
  136. continue to be interpreted as generating a 8-bit byte rather than a
  137. character.  In fact, if the <CODE>use warnings</CODE> pragma of the <CODE>-w</CODE> switch
  138. is turned on, it will produce a warning
  139. that you might be generating invalid UTF-8.</P>
  140. <P></P>
  141. <LI>
  142. Identifiers within the Perl script may contain Unicode alphanumeric
  143. characters, including ideographs.  (You are currently on your own when
  144. it comes to using the canonical forms of characters--Perl doesn't (yet)
  145. attempt to canonicalize variable names for you.)
  146. <P></P>
  147. <LI>
  148. Regular expressions match characters instead of bytes.  For instance,
  149. ``.'' matches a character instead of a byte.  (However, the <CODE>\C</CODE> pattern
  150. is provided to force a match a single byte (``<CODE>char</CODE>'' in C, hence
  151. <CODE>\C</CODE>).)
  152. <P></P>
  153. <LI>
  154. Character classes in regular expressions match characters instead of
  155. bytes, and match against the character properties specified in the
  156. Unicode properties database.  So <CODE>\w</CODE> can be used to match an ideograph,
  157. for instance.
  158. <P></P>
  159. <LI>
  160. Named Unicode properties and block ranges make be used as character
  161. classes via the new <CODE>\p{}</CODE> (matches property) and <CODE>\P{}</CODE> (doesn't
  162. match property) constructs.  For instance, <CODE>\p{Lu}</CODE> matches any
  163. character with the Unicode uppercase property, while <CODE>\p{M}</CODE> matches
  164. any mark character.  Single letter properties may omit the brackets, so
  165. that can be written <CODE>\pM</CODE> also.  Many predefined character classes are
  166. available, such as <CODE>\p{IsMirrored}</CODE> and  <CODE>\p{InTibetan}</CODE>.
  167. <P></P>
  168. <LI>
  169. The special pattern <CODE>\X</CODE> match matches any extended Unicode sequence
  170. (a ``combining character sequence'' in Standardese), where the first
  171. character is a base character and subsequent characters are mark
  172. characters that apply to the base character.  It is equivalent to
  173. <CODE>(?:\PM\pM*)</CODE>.
  174. <P></P>
  175. <LI>
  176. The <CODE>tr///</CODE> operator translates characters instead of bytes.  It can also
  177. be forced to translate between 8-bit codes and UTF-8.  For instance, if you
  178. know your input in Latin-1, you can say:
  179. <PRE>
  180.     while (<>) {
  181.         tr/\0-\xff//CU;         # latin1 char to utf8
  182.         ...
  183.     }</PRE>
  184. <P>Similarly you could translate your output with</P>
  185. <PRE>
  186.     tr/\0-\x{ff}//UC;           # utf8 to latin1 char</PRE>
  187. <P>No, <CODE>s///</CODE> doesn't take /U or /C (yet?).</P>
  188. <P></P>
  189. <LI>
  190. Case translation operators use the Unicode case translation tables
  191. when provided character input.  Note that <A HREF="../../lib/Pod/perlfunc.html#item_uc"><CODE>uc()</CODE></A> translates to
  192. uppercase, while <A HREF="../../lib/Pod/perlfunc.html#item_ucfirst"><CODE>ucfirst</CODE></A> translates to titlecase (for languages
  193. that make the distinction).  Naturally the corresponding backslash
  194. sequences have the same semantics.
  195. <P></P>
  196. <LI>
  197. Most operators that deal with positions or lengths in the string will
  198. automatically switch to using character positions, including <A HREF="../../lib/Pod/perlfunc.html#item_chop"><CODE>chop()</CODE></A>,
  199. <A HREF="../../lib/Pod/perlfunc.html#item_substr"><CODE>substr()</CODE></A>, <A HREF="../../lib/Pod/perlfunc.html#item_pos"><CODE>pos()</CODE></A>, <A HREF="../../lib/Pod/perlfunc.html#item_index"><CODE>index()</CODE></A>, <A HREF="../../lib/Pod/perlfunc.html#item_rindex"><CODE>rindex()</CODE></A>, <A HREF="../../lib/Pod/perlfunc.html#item_sprintf"><CODE>sprintf()</CODE></A>,
  200. <A HREF="../../lib/Pod/perlfunc.html#item_write"><CODE>write()</CODE></A>, and <A HREF="../../lib/Pod/perlfunc.html#item_length"><CODE>length()</CODE></A>.  Operators that specifically don't switch
  201. include <A HREF="../../lib/Pod/perlfunc.html#item_vec"><CODE>vec()</CODE></A>, <A HREF="../../lib/Pod/perlfunc.html#item_pack"><CODE>pack()</CODE></A>, and <A HREF="../../lib/Pod/perlfunc.html#item_unpack"><CODE>unpack()</CODE></A>.  Operators that really
  202. don't care include <A HREF="../../lib/Pod/perlfunc.html#item_chomp"><CODE>chomp()</CODE></A>, as well as any other operator that
  203. treats a string as a bucket of bits, such as <A HREF="../../lib/Pod/perlfunc.html#item_sort"><CODE>sort()</CODE></A>, and the
  204. operators dealing with filenames.
  205. <P></P>
  206. <LI>
  207. The <A HREF="../../lib/Pod/perlfunc.html#item_pack"><CODE>pack()</CODE></A>/<A HREF="../../lib/Pod/perlfunc.html#item_unpack"><CODE>unpack()</CODE></A> letters ``<CODE>c</CODE>'' and ``<CODE>C</CODE>'' do <EM>not</EM> change,
  208. since they're often used for byte-oriented formats.  (Again, think
  209. ``<CODE>char</CODE>'' in the C language.)  However, there is a new ``<CODE>U</CODE>'' specifier
  210. that will convert between UTF-8 characters and integers.  (It works
  211. outside of the utf8 pragma too.)
  212. <P></P>
  213. <LI>
  214. The <A HREF="../../lib/Pod/perlfunc.html#item_chr"><CODE>chr()</CODE></A> and <A HREF="../../lib/Pod/perlfunc.html#item_ord"><CODE>ord()</CODE></A> functions work on characters.  This is like
  215. <A HREF="../../lib/Pod/perlfunc.html#item_pack"><CODE>pack("U")</CODE></A> and <A HREF="../../lib/Pod/perlfunc.html#item_unpack"><CODE>unpack("U")</CODE></A>, not like <A HREF="../../lib/Pod/perlfunc.html#item_pack"><CODE>pack("C")</CODE></A> and
  216. <A HREF="../../lib/Pod/perlfunc.html#item_unpack"><CODE>unpack("C")</CODE></A>.  In fact, the latter are how you now emulate
  217. byte-oriented <A HREF="../../lib/Pod/perlfunc.html#item_chr"><CODE>chr()</CODE></A> and <A HREF="../../lib/Pod/perlfunc.html#item_ord"><CODE>ord()</CODE></A> under utf8.
  218. <P></P>
  219. <LI>
  220. And finally, <A HREF="../../lib/Pod/perlfunc.html#item_reverse"><CODE>scalar reverse()</CODE></A> reverses by character rather than by byte.
  221. <P></P></UL>
  222. <P>
  223. <H2><A NAME="character encodings for input and output">Character encodings for input and output</A></H2>
  224. <P>[XXX: This feature is not yet implemented.]</P>
  225. <P>
  226. <HR>
  227. <H1><A NAME="caveats">CAVEATS</A></H1>
  228. <P>As of yet, there is no method for automatically coercing input and
  229. output to some encoding other than UTF-8.  This is planned in the near
  230. future, however.</P>
  231. <P>Whether an arbitrary piece of data will be treated as ``characters'' or
  232. ``bytes'' by internal operations cannot be divined at the current time.</P>
  233. <P>Use of locales with utf8 may lead to odd results.  Currently there is
  234. some attempt to apply 8-bit locale info to characters in the range
  235. 0..255, but this is demonstrably incorrect for locales that use
  236. characters above that range (when mapped into Unicode).  It will also
  237. tend to run slower.  Avoidance of locales is strongly encouraged.</P>
  238. <P>
  239. <HR>
  240. <H1><A NAME="see also">SEE ALSO</A></H1>
  241. <P><A HREF="../../lib/bytes.html">the bytes manpage</A>, <A HREF="../../lib/utf8.html">the utf8 manpage</A>, <A HREF="../../lib/Pod/perlvar.html#${^wide_system_calls}">${^WIDE_SYSTEM_CALLS} in the perlvar manpage</A></P>
  242. <TABLE BORDER=0 CELLPADDING=0 CELLSPACING=0 WIDTH=100%>
  243. <TR><TD CLASS=block VALIGN=MIDDLE WIDTH=100% BGCOLOR="#cccccc">
  244. <STRONG><P CLASS=block> perlunicode - Unicode support in Perl</P></STRONG>
  245. </TD></TR>
  246. </TABLE>
  247.  
  248. </BODY>
  249.  
  250. </HTML>
  251.