home *** CD-ROM | disk | FTP | other *** search
/ Chip 2007 January, February, March & April / Chip-Cover-CD-2007-02.iso / Pakiet bezpieczenstwa / mini Pentoo LiveCD 2006.1 / mpentoo-2006.1.iso / livecd.squashfs / usr / lib / perl5 / 5.8.7 / pod / perlunicode.pod < prev    next >
Text File  |  2006-04-25  |  51KB  |  1,502 lines

  1. =head1 NAME
  2.  
  3. perlunicode - Unicode support in Perl
  4.  
  5. =head1 DESCRIPTION
  6.  
  7. =head2 Important Caveats
  8.  
  9. Unicode support is an extensive requirement. While Perl does not
  10. implement the Unicode standard or the accompanying technical reports
  11. from cover to cover, Perl does support many Unicode features.
  12.  
  13. =over 4
  14.  
  15. =item Input and Output Layers
  16.  
  17. Perl knows when a filehandle uses Perl's internal Unicode encodings
  18. (UTF-8, or UTF-EBCDIC if in EBCDIC) if the filehandle is opened with
  19. the ":utf8" layer.  Other encodings can be converted to Perl's
  20. encoding on input or from Perl's encoding on output by use of the
  21. ":encoding(...)"  layer.  See L<open>.
  22.  
  23. To indicate that Perl source itself is using a particular encoding,
  24. see L<encoding>.
  25.  
  26. =item Regular Expressions
  27.  
  28. The regular expression compiler produces polymorphic opcodes.  That is,
  29. the pattern adapts to the data and automatically switches to the Unicode
  30. character scheme when presented with Unicode data--or instead uses
  31. a traditional byte scheme when presented with byte data.
  32.  
  33. =item C<use utf8> still needed to enable UTF-8/UTF-EBCDIC in scripts
  34.  
  35. As a compatibility measure, the C<use utf8> pragma must be explicitly
  36. included to enable recognition of UTF-8 in the Perl scripts themselves
  37. (in string or regular expression literals, or in identifier names) on
  38. ASCII-based machines or to recognize UTF-EBCDIC on EBCDIC-based
  39. machines.  B<These are the only times when an explicit C<use utf8>
  40. is needed.>  See L<utf8>.
  41.  
  42. You can also use the C<encoding> pragma to change the default encoding
  43. of the data in your script; see L<encoding>.
  44.  
  45. =item BOM-marked scripts and UTF-16 scripts autodetected
  46.  
  47. If a Perl script begins marked with the Unicode BOM (UTF-16LE, UTF16-BE,
  48. or UTF-8), or if the script looks like non-BOM-marked UTF-16 of either
  49. endianness, Perl will correctly read in the script as Unicode.
  50. (BOMless UTF-8 cannot be effectively recognized or differentiated from
  51. ISO 8859-1 or other eight-bit encodings.)
  52.  
  53. =item C<use encoding> needed to upgrade non-Latin-1 byte strings
  54.  
  55. By default, there is a fundamental asymmetry in Perl's unicode model:
  56. implicit upgrading from byte strings to Unicode strings assumes that
  57. they were encoded in I<ISO 8859-1 (Latin-1)>, but Unicode strings are
  58. downgraded with UTF-8 encoding.  This happens because the first 256
  59. codepoints in Unicode happens to agree with Latin-1.  
  60.  
  61. If you wish to interpret byte strings as UTF-8 instead, use the
  62. C<encoding> pragma:
  63.  
  64.     use encoding 'utf8';
  65.  
  66. See L</"Byte and Character Semantics"> for more details.
  67.  
  68. =back
  69.  
  70. =head2 Byte and Character Semantics
  71.  
  72. Beginning with version 5.6, Perl uses logically-wide characters to
  73. represent strings internally.
  74.  
  75. In future, Perl-level operations will be expected to work with
  76. characters rather than bytes.
  77.  
  78. However, as an interim compatibility measure, Perl aims to
  79. provide a safe migration path from byte semantics to character
  80. semantics for programs.  For operations where Perl can unambiguously
  81. decide that the input data are characters, Perl switches to
  82. character semantics.  For operations where this determination cannot
  83. be made without additional information from the user, Perl decides in
  84. favor of compatibility and chooses to use byte semantics.
  85.  
  86. This behavior preserves compatibility with earlier versions of Perl,
  87. which allowed byte semantics in Perl operations only if
  88. none of the program's inputs were marked as being as source of Unicode
  89. character data.  Such data may come from filehandles, from calls to
  90. external programs, from information provided by the system (such as %ENV),
  91. or from literals and constants in the source text.
  92.  
  93. The C<bytes> pragma will always, regardless of platform, force byte
  94. semantics in a particular lexical scope.  See L<bytes>.
  95.  
  96. The C<utf8> pragma is primarily a compatibility device that enables
  97. recognition of UTF-(8|EBCDIC) in literals encountered by the parser.
  98. Note that this pragma is only required while Perl defaults to byte
  99. semantics; when character semantics become the default, this pragma
  100. may become a no-op.  See L<utf8>.
  101.  
  102. Unless explicitly stated, Perl operators use character semantics
  103. for Unicode data and byte semantics for non-Unicode data.
  104. The decision to use character semantics is made transparently.  If
  105. input data comes from a Unicode source--for example, if a character
  106. encoding layer is added to a filehandle or a literal Unicode
  107. string constant appears in a program--character semantics apply.
  108. Otherwise, byte semantics are in effect.  The C<bytes> pragma should
  109. be used to force byte semantics on Unicode data.
  110.  
  111. If strings operating under byte semantics and strings with Unicode
  112. character data are concatenated, the new string will be created by
  113. decoding the byte strings as I<ISO 8859-1 (Latin-1)>, even if the
  114. old Unicode string used EBCDIC.  This translation is done without
  115. regard to the system's native 8-bit encoding.  To change this for
  116. systems with non-Latin-1 and non-EBCDIC native encodings, use the
  117. C<encoding> pragma.  See L<encoding>.
  118.  
  119. Under character semantics, many operations that formerly operated on
  120. bytes now operate on characters. A character in Perl is
  121. logically just a number ranging from 0 to 2**31 or so. Larger
  122. characters may encode into longer sequences of bytes internally, but
  123. this internal detail is mostly hidden for Perl code.
  124. See L<perluniintro> for more.
  125.  
  126. =head2 Effects of Character Semantics
  127.  
  128. Character semantics have the following effects:
  129.  
  130. =over 4
  131.  
  132. =item *
  133.  
  134. Strings--including hash keys--and regular expression patterns may
  135. contain characters that have an ordinal value larger than 255.
  136.  
  137. If you use a Unicode editor to edit your program, Unicode characters
  138. may occur directly within the literal strings in one of the various
  139. Unicode encodings (UTF-8, UTF-EBCDIC, UCS-2, etc.), but will be recognized
  140. as such and converted to Perl's internal representation only if the
  141. appropriate L<encoding> is specified.
  142.  
  143. Unicode characters can also be added to a string by using the
  144. C<\x{...}> notation.  The Unicode code for the desired character, in
  145. hexadecimal, should be placed in the braces. For instance, a smiley
  146. face is C<\x{263A}>.  This encoding scheme only works for characters
  147. with a code of 0x100 or above.
  148.  
  149. Additionally, if you
  150.  
  151.    use charnames ':full';
  152.  
  153. you can use the C<\N{...}> notation and put the official Unicode
  154. character name within the braces, such as C<\N{WHITE SMILING FACE}>.
  155.  
  156.  
  157. =item *
  158.  
  159. If an appropriate L<encoding> is specified, identifiers within the
  160. Perl script may contain Unicode alphanumeric characters, including
  161. ideographs.  Perl does not currently attempt to canonicalize variable
  162. names.
  163.  
  164. =item *
  165.  
  166. Regular expressions match characters instead of bytes.  "." matches
  167. a character instead of a byte.  The C<\C> pattern is provided to force
  168. a match a single byte--a C<char> in C, hence C<\C>.
  169.  
  170. =item *
  171.  
  172. Character classes in regular expressions match characters instead of
  173. bytes and match against the character properties specified in the
  174. Unicode properties database.  C<\w> can be used to match a Japanese
  175. ideograph, for instance.
  176.  
  177. (However, and as a limitation of the current implementation, using
  178. C<\w> or C<\W> I<inside> a C<[...]> character class will still match
  179. with byte semantics.)
  180.  
  181. =item *
  182.  
  183. Named Unicode properties, scripts, and block ranges may be used like
  184. character classes via the C<\p{}> "matches property" construct and
  185. the  C<\P{}> negation, "doesn't match property".
  186.  
  187. For instance, C<\p{Lu}> matches any character with the Unicode "Lu"
  188. (Letter, uppercase) property, while C<\p{M}> matches any character
  189. with an "M" (mark--accents and such) property.  Brackets are not
  190. required for single letter properties, so C<\p{M}> is equivalent to
  191. C<\pM>. Many predefined properties are available, such as
  192. C<\p{Mirrored}> and C<\p{Tibetan}>.
  193.  
  194. The official Unicode script and block names have spaces and dashes as
  195. separators, but for convenience you can use dashes, spaces, or
  196. underbars, and case is unimportant. It is recommended, however, that
  197. for consistency you use the following naming: the official Unicode
  198. script, property, or block name (see below for the additional rules
  199. that apply to block names) with whitespace and dashes removed, and the
  200. words "uppercase-first-lowercase-rest". C<Latin-1 Supplement> thus
  201. becomes C<Latin1Supplement>.
  202.  
  203. You can also use negation in both C<\p{}> and C<\P{}> by introducing a caret
  204. (^) between the first brace and the property name: C<\p{^Tamil}> is
  205. equal to C<\P{Tamil}>.
  206.  
  207. B<NOTE: the properties, scripts, and blocks listed here are as of
  208. Unicode 3.2.0, March 2002, or Perl 5.8.0, July 2002.  Unicode 4.0.0
  209. came out in April 2003, and Perl 5.8.1 in September 2003.>
  210.  
  211. Here are the basic Unicode General Category properties, followed by their
  212. long form.  You can use either; C<\p{Lu}> and C<\p{UppercaseLetter}>,
  213. for instance, are identical.
  214.  
  215.     Short       Long
  216.  
  217.     L           Letter
  218.     LC          CasedLetter
  219.     Lu          UppercaseLetter
  220.     Ll          LowercaseLetter
  221.     Lt          TitlecaseLetter
  222.     Lm          ModifierLetter
  223.     Lo          OtherLetter
  224.  
  225.     M           Mark
  226.     Mn          NonspacingMark
  227.     Mc          SpacingMark
  228.     Me          EnclosingMark
  229.  
  230.     N           Number
  231.     Nd          DecimalNumber
  232.     Nl          LetterNumber
  233.     No          OtherNumber
  234.  
  235.     P           Punctuation
  236.     Pc          ConnectorPunctuation
  237.     Pd          DashPunctuation
  238.     Ps          OpenPunctuation
  239.     Pe          ClosePunctuation
  240.     Pi          InitialPunctuation
  241.                 (may behave like Ps or Pe depending on usage)
  242.     Pf          FinalPunctuation
  243.                 (may behave like Ps or Pe depending on usage)
  244.     Po          OtherPunctuation
  245.  
  246.     S           Symbol
  247.     Sm          MathSymbol
  248.     Sc          CurrencySymbol
  249.     Sk          ModifierSymbol
  250.     So          OtherSymbol
  251.  
  252.     Z           Separator
  253.     Zs          SpaceSeparator
  254.     Zl          LineSeparator
  255.     Zp          ParagraphSeparator
  256.  
  257.     C           Other
  258.     Cc          Control
  259.     Cf          Format
  260.     Cs          Surrogate   (not usable)
  261.     Co          PrivateUse
  262.     Cn          Unassigned
  263.  
  264. Single-letter properties match all characters in any of the
  265. two-letter sub-properties starting with the same letter.
  266. C<LC> and C<L&> are special cases, which are aliases for the set of
  267. C<Ll>, C<Lu>, and C<Lt>.
  268.  
  269. Because Perl hides the need for the user to understand the internal
  270. representation of Unicode characters, there is no need to implement
  271. the somewhat messy concept of surrogates. C<Cs> is therefore not
  272. supported.
  273.  
  274. Because scripts differ in their directionality--Hebrew is
  275. written right to left, for example--Unicode supplies these properties in
  276. the BidiClass class:
  277.  
  278.     Property    Meaning
  279.  
  280.     L           Left-to-Right
  281.     LRE         Left-to-Right Embedding
  282.     LRO         Left-to-Right Override
  283.     R           Right-to-Left
  284.     AL          Right-to-Left Arabic
  285.     RLE         Right-to-Left Embedding
  286.     RLO         Right-to-Left Override
  287.     PDF         Pop Directional Format
  288.     EN          European Number
  289.     ES          European Number Separator
  290.     ET          European Number Terminator
  291.     AN          Arabic Number
  292.     CS          Common Number Separator
  293.     NSM         Non-Spacing Mark
  294.     BN          Boundary Neutral
  295.     B           Paragraph Separator
  296.     S           Segment Separator
  297.     WS          Whitespace
  298.     ON          Other Neutrals
  299.  
  300. For example, C<\p{BidiClass:R}> matches characters that are normally
  301. written right to left.
  302.  
  303. =back
  304.  
  305. =head2 Scripts
  306.  
  307. The script names which can be used by C<\p{...}> and C<\P{...}>,
  308. such as in C<\p{Latin}> or C<\p{Cyrillic}>, are as follows:
  309.  
  310.     Arabic
  311.     Armenian
  312.     Bengali
  313.     Bopomofo
  314.     Buhid
  315.     CanadianAboriginal
  316.     Cherokee
  317.     Cyrillic
  318.     Deseret
  319.     Devanagari
  320.     Ethiopic
  321.     Georgian
  322.     Gothic
  323.     Greek
  324.     Gujarati
  325.     Gurmukhi
  326.     Han
  327.     Hangul
  328.     Hanunoo
  329.     Hebrew
  330.     Hiragana
  331.     Inherited
  332.     Kannada
  333.     Katakana
  334.     Khmer
  335.     Lao
  336.     Latin
  337.     Malayalam
  338.     Mongolian
  339.     Myanmar
  340.     Ogham
  341.     OldItalic
  342.     Oriya
  343.     Runic
  344.     Sinhala
  345.     Syriac
  346.     Tagalog
  347.     Tagbanwa
  348.     Tamil
  349.     Telugu
  350.     Thaana
  351.     Thai
  352.     Tibetan
  353.     Yi
  354.  
  355. Extended property classes can supplement the basic
  356. properties, defined by the F<PropList> Unicode database:
  357.  
  358.     ASCIIHexDigit
  359.     BidiControl
  360.     Dash
  361.     Deprecated
  362.     Diacritic
  363.     Extender
  364.     GraphemeLink
  365.     HexDigit
  366.     Hyphen
  367.     Ideographic
  368.     IDSBinaryOperator
  369.     IDSTrinaryOperator
  370.     JoinControl
  371.     LogicalOrderException
  372.     NoncharacterCodePoint
  373.     OtherAlphabetic
  374.     OtherDefaultIgnorableCodePoint
  375.     OtherGraphemeExtend
  376.     OtherLowercase
  377.     OtherMath
  378.     OtherUppercase
  379.     QuotationMark
  380.     Radical
  381.     SoftDotted
  382.     TerminalPunctuation
  383.     UnifiedIdeograph
  384.     WhiteSpace
  385.  
  386. and there are further derived properties:
  387.  
  388.     Alphabetic      Lu + Ll + Lt + Lm + Lo + OtherAlphabetic
  389.     Lowercase       Ll + OtherLowercase
  390.     Uppercase       Lu + OtherUppercase
  391.     Math            Sm + OtherMath
  392.  
  393.     ID_Start        Lu + Ll + Lt + Lm + Lo + Nl
  394.     ID_Continue     ID_Start + Mn + Mc + Nd + Pc
  395.  
  396.     Any             Any character
  397.     Assigned        Any non-Cn character (i.e. synonym for \P{Cn})
  398.     Unassigned      Synonym for \p{Cn}
  399.     Common          Any character (or unassigned code point)
  400.                     not explicitly assigned to a script
  401.  
  402. For backward compatibility (with Perl 5.6), all properties mentioned
  403. so far may have C<Is> prepended to their name, so C<\P{IsLu}>, for
  404. example, is equal to C<\P{Lu}>.
  405.  
  406. =head2 Blocks
  407.  
  408. In addition to B<scripts>, Unicode also defines B<blocks> of
  409. characters.  The difference between scripts and blocks is that the
  410. concept of scripts is closer to natural languages, while the concept
  411. of blocks is more of an artificial grouping based on groups of 256
  412. Unicode characters. For example, the C<Latin> script contains letters
  413. from many blocks but does not contain all the characters from those
  414. blocks. It does not, for example, contain digits, because digits are
  415. shared across many scripts. Digits and similar groups, like
  416. punctuation, are in a category called C<Common>.
  417.  
  418. For more about scripts, see the UTR #24:
  419.  
  420.    http://www.unicode.org/unicode/reports/tr24/
  421.  
  422. For more about blocks, see:
  423.  
  424.    http://www.unicode.org/Public/UNIDATA/Blocks.txt
  425.  
  426. Block names are given with the C<In> prefix. For example, the
  427. Katakana block is referenced via C<\p{InKatakana}>.  The C<In>
  428. prefix may be omitted if there is no naming conflict with a script
  429. or any other property, but it is recommended that C<In> always be used
  430. for block tests to avoid confusion.
  431.  
  432. These block names are supported:
  433.  
  434.     InAlphabeticPresentationForms
  435.     InArabic
  436.     InArabicPresentationFormsA
  437.     InArabicPresentationFormsB
  438.     InArmenian
  439.     InArrows
  440.     InBasicLatin
  441.     InBengali
  442.     InBlockElements
  443.     InBopomofo
  444.     InBopomofoExtended
  445.     InBoxDrawing
  446.     InBraillePatterns
  447.     InBuhid
  448.     InByzantineMusicalSymbols
  449.     InCJKCompatibility
  450.     InCJKCompatibilityForms
  451.     InCJKCompatibilityIdeographs
  452.     InCJKCompatibilityIdeographsSupplement
  453.     InCJKRadicalsSupplement
  454.     InCJKSymbolsAndPunctuation
  455.     InCJKUnifiedIdeographs
  456.     InCJKUnifiedIdeographsExtensionA
  457.     InCJKUnifiedIdeographsExtensionB
  458.     InCherokee
  459.     InCombiningDiacriticalMarks
  460.     InCombiningDiacriticalMarksforSymbols
  461.     InCombiningHalfMarks
  462.     InControlPictures
  463.     InCurrencySymbols
  464.     InCyrillic
  465.     InCyrillicSupplementary
  466.     InDeseret
  467.     InDevanagari
  468.     InDingbats
  469.     InEnclosedAlphanumerics
  470.     InEnclosedCJKLettersAndMonths
  471.     InEthiopic
  472.     InGeneralPunctuation
  473.     InGeometricShapes
  474.     InGeorgian
  475.     InGothic
  476.     InGreekExtended
  477.     InGreekAndCoptic
  478.     InGujarati
  479.     InGurmukhi
  480.     InHalfwidthAndFullwidthForms
  481.     InHangulCompatibilityJamo
  482.     InHangulJamo
  483.     InHangulSyllables
  484.     InHanunoo
  485.     InHebrew
  486.     InHighPrivateUseSurrogates
  487.     InHighSurrogates
  488.     InHiragana
  489.     InIPAExtensions
  490.     InIdeographicDescriptionCharacters
  491.     InKanbun
  492.     InKangxiRadicals
  493.     InKannada
  494.     InKatakana
  495.     InKatakanaPhoneticExtensions
  496.     InKhmer
  497.     InLao
  498.     InLatin1Supplement
  499.     InLatinExtendedA
  500.     InLatinExtendedAdditional
  501.     InLatinExtendedB
  502.     InLetterlikeSymbols
  503.     InLowSurrogates
  504.     InMalayalam
  505.     InMathematicalAlphanumericSymbols
  506.     InMathematicalOperators
  507.     InMiscellaneousMathematicalSymbolsA
  508.     InMiscellaneousMathematicalSymbolsB
  509.     InMiscellaneousSymbols
  510.     InMiscellaneousTechnical
  511.     InMongolian
  512.     InMusicalSymbols
  513.     InMyanmar
  514.     InNumberForms
  515.     InOgham
  516.     InOldItalic
  517.     InOpticalCharacterRecognition
  518.     InOriya
  519.     InPrivateUseArea
  520.     InRunic
  521.     InSinhala
  522.     InSmallFormVariants
  523.     InSpacingModifierLetters
  524.     InSpecials
  525.     InSuperscriptsAndSubscripts
  526.     InSupplementalArrowsA
  527.     InSupplementalArrowsB
  528.     InSupplementalMathematicalOperators
  529.     InSupplementaryPrivateUseAreaA
  530.     InSupplementaryPrivateUseAreaB
  531.     InSyriac
  532.     InTagalog
  533.     InTagbanwa
  534.     InTags
  535.     InTamil
  536.     InTelugu
  537.     InThaana
  538.     InThai
  539.     InTibetan
  540.     InUnifiedCanadianAboriginalSyllabics
  541.     InVariationSelectors
  542.     InYiRadicals
  543.     InYiSyllables
  544.  
  545. =over 4
  546.  
  547. =item *
  548.  
  549. The special pattern C<\X> matches any extended Unicode
  550. sequence--"a combining character sequence" in Standardese--where the
  551. first character is a base character and subsequent characters are mark
  552. characters that apply to the base character.  C<\X> is equivalent to
  553. C<(?:\PM\pM*)>.
  554.  
  555. =item *
  556.  
  557. The C<tr///> operator translates characters instead of bytes.  Note
  558. that the C<tr///CU> functionality has been removed.  For similar
  559. functionality see pack('U0', ...) and pack('C0', ...).
  560.  
  561. =item *
  562.  
  563. Case translation operators use the Unicode case translation tables
  564. when character input is provided.  Note that C<uc()>, or C<\U> in
  565. interpolated strings, translates to uppercase, while C<ucfirst>,
  566. or C<\u> in interpolated strings, translates to titlecase in languages
  567. that make the distinction.
  568.  
  569. =item *
  570.  
  571. Most operators that deal with positions or lengths in a string will
  572. automatically switch to using character positions, including
  573. C<chop()>, C<chomp()>, C<substr()>, C<pos()>, C<index()>, C<rindex()>,
  574. C<sprintf()>, C<write()>, and C<length()>.  Operators that
  575. specifically do not switch include C<vec()>, C<pack()>, and
  576. C<unpack()>.  Operators that really don't care include
  577. operators that treats strings as a bucket of bits such as C<sort()>,
  578. and operators dealing with filenames.
  579.  
  580. =item *
  581.  
  582. The C<pack()>/C<unpack()> letters C<c> and C<C> do I<not> change,
  583. since they are often used for byte-oriented formats.  Again, think
  584. C<char> in the C language.
  585.  
  586. There is a new C<U> specifier that converts between Unicode characters
  587. and code points.
  588.  
  589. =item *
  590.  
  591. The C<chr()> and C<ord()> functions work on characters, similar to
  592. C<pack("U")> and C<unpack("U")>, I<not> C<pack("C")> and
  593. C<unpack("C")>.  C<pack("C")> and C<unpack("C")> are methods for
  594. emulating byte-oriented C<chr()> and C<ord()> on Unicode strings.
  595. While these methods reveal the internal encoding of Unicode strings,
  596. that is not something one normally needs to care about at all.
  597.  
  598. =item *
  599.  
  600. The bit string operators, C<& | ^ ~>, can operate on character data.
  601. However, for backward compatibility, such as when using bit string
  602. operations when characters are all less than 256 in ordinal value, one
  603. should not use C<~> (the bit complement) with characters of both
  604. values less than 256 and values greater than 256.  Most importantly,
  605. DeMorgan's laws (C<~($x|$y) eq ~$x&~$y> and C<~($x&$y) eq ~$x|~$y>)
  606. will not hold.  The reason for this mathematical I<faux pas> is that
  607. the complement cannot return B<both> the 8-bit (byte-wide) bit
  608. complement B<and> the full character-wide bit complement.
  609.  
  610. =item *
  611.  
  612. lc(), uc(), lcfirst(), and ucfirst() work for the following cases:
  613.  
  614. =over 8
  615.  
  616. =item *
  617.  
  618. the case mapping is from a single Unicode character to another
  619. single Unicode character, or
  620.  
  621. =item *
  622.  
  623. the case mapping is from a single Unicode character to more
  624. than one Unicode character.
  625.  
  626. =back
  627.  
  628. Things to do with locales (Lithuanian, Turkish, Azeri) do B<not> work
  629. since Perl does not understand the concept of Unicode locales.
  630.  
  631. See the Unicode Technical Report #21, Case Mappings, for more details.
  632.  
  633. =back
  634.  
  635. =over 4
  636.  
  637. =item *
  638.  
  639. And finally, C<scalar reverse()> reverses by character rather than by byte.
  640.  
  641. =back
  642.  
  643. =head2 User-Defined Character Properties
  644.  
  645. You can define your own character properties by defining subroutines
  646. whose names begin with "In" or "Is".  The subroutines can be defined in
  647. any package.  The user-defined properties can be used in the regular
  648. expression C<\p> and C<\P> constructs; if you are using a user-defined
  649. property from a package other than the one you are in, you must specify
  650. its package in the C<\p> or C<\P> construct.
  651.  
  652.     # assuming property IsForeign defined in Lang::
  653.     package main;  # property package name required
  654.     if ($txt =~ /\p{Lang::IsForeign}+/) { ... }
  655.  
  656.     package Lang;  # property package name not required
  657.     if ($txt =~ /\p{IsForeign}+/) { ... }
  658.  
  659.  
  660. Note that the effect is compile-time and immutable once defined.
  661.  
  662. The subroutines must return a specially-formatted string, with one
  663. or more newline-separated lines.  Each line must be one of the following:
  664.  
  665. =over 4
  666.  
  667. =item *
  668.  
  669. Two hexadecimal numbers separated by horizontal whitespace (space or
  670. tabular characters) denoting a range of Unicode code points to include.
  671.  
  672. =item *
  673.  
  674. Something to include, prefixed by "+": a built-in character
  675. property (prefixed by "utf8::") or a user-defined character property,
  676. to represent all the characters in that property; two hexadecimal code
  677. points for a range; or a single hexadecimal code point.
  678.  
  679. =item *
  680.  
  681. Something to exclude, prefixed by "-": an existing character
  682. property (prefixed by "utf8::") or a user-defined character property,
  683. to represent all the characters in that property; two hexadecimal code
  684. points for a range; or a single hexadecimal code point.
  685.  
  686. =item *
  687.  
  688. Something to negate, prefixed "!": an existing character
  689. property (prefixed by "utf8::") or a user-defined character property,
  690. to represent all the characters in that property; two hexadecimal code
  691. points for a range; or a single hexadecimal code point.
  692.  
  693. =item *
  694.  
  695. Something to intersect with, prefixed by "&": an existing character
  696. property (prefixed by "utf8::") or a user-defined character property,
  697. for all the characters except the characters in the property; two
  698. hexadecimal code points for a range; or a single hexadecimal code point.
  699.  
  700. =back
  701.  
  702. For example, to define a property that covers both the Japanese
  703. syllabaries (hiragana and katakana), you can define
  704.  
  705.     sub InKana {
  706.     return <<END;
  707.     3040\t309F
  708.     30A0\t30FF
  709.     END
  710.     }
  711.  
  712. Imagine that the here-doc end marker is at the beginning of the line.
  713. Now you can use C<\p{InKana}> and C<\P{InKana}>.
  714.  
  715. You could also have used the existing block property names:
  716.  
  717.     sub InKana {
  718.     return <<'END';
  719.     +utf8::InHiragana
  720.     +utf8::InKatakana
  721.     END
  722.     }
  723.  
  724. Suppose you wanted to match only the allocated characters,
  725. not the raw block ranges: in other words, you want to remove
  726. the non-characters:
  727.  
  728.     sub InKana {
  729.     return <<'END';
  730.     +utf8::InHiragana
  731.     +utf8::InKatakana
  732.     -utf8::IsCn
  733.     END
  734.     }
  735.  
  736. The negation is useful for defining (surprise!) negated classes.
  737.  
  738.     sub InNotKana {
  739.     return <<'END';
  740.     !utf8::InHiragana
  741.     -utf8::InKatakana
  742.     +utf8::IsCn
  743.     END
  744.     }
  745.  
  746. Intersection is useful for getting the common characters matched by
  747. two (or more) classes.
  748.  
  749.     sub InFooAndBar {
  750.         return <<'END';
  751.     +main::Foo
  752.     &main::Bar
  753.     END
  754.     }
  755.  
  756. It's important to remember not to use "&" for the first set -- that
  757. would be intersecting with nothing (resulting in an empty set).
  758.  
  759. You can also define your own mappings to be used in the lc(),
  760. lcfirst(), uc(), and ucfirst() (or their string-inlined versions).
  761. The principle is the same: define subroutines in the C<main> package
  762. with names like C<ToLower> (for lc() and lcfirst()), C<ToTitle> (for
  763. the first character in ucfirst()), and C<ToUpper> (for uc(), and the
  764. rest of the characters in ucfirst()).
  765.  
  766. The string returned by the subroutines needs now to be three
  767. hexadecimal numbers separated by tabulators: start of the source
  768. range, end of the source range, and start of the destination range.
  769. For example:
  770.  
  771.     sub ToUpper {
  772.     return <<END;
  773.     0061\t0063\t0041
  774.     END
  775.     }
  776.  
  777. defines an uc() mapping that causes only the characters "a", "b", and
  778. "c" to be mapped to "A", "B", "C", all other characters will remain
  779. unchanged.
  780.  
  781. If there is no source range to speak of, that is, the mapping is from
  782. a single character to another single character, leave the end of the
  783. source range empty, but the two tabulator characters are still needed.
  784. For example:
  785.  
  786.     sub ToLower {
  787.     return <<END;
  788.     0041\t\t0061
  789.     END
  790.     }
  791.  
  792. defines a lc() mapping that causes only "A" to be mapped to "a", all
  793. other characters will remain unchanged.
  794.  
  795. (For serious hackers only)  If you want to introspect the default
  796. mappings, you can find the data in the directory
  797. C<$Config{privlib}>/F<unicore/To/>.  The mapping data is returned as
  798. the here-document, and the C<utf8::ToSpecFoo> are special exception
  799. mappings derived from <$Config{privlib}>/F<unicore/SpecialCasing.txt>.
  800. The C<Digit> and C<Fold> mappings that one can see in the directory
  801. are not directly user-accessible, one can use either the
  802. C<Unicode::UCD> module, or just match case-insensitively (that's when
  803. the C<Fold> mapping is used).
  804.  
  805. A final note on the user-defined property tests and mappings: they
  806. will be used only if the scalar has been marked as having Unicode
  807. characters.  Old byte-style strings will not be affected.
  808.  
  809. =head2 Character Encodings for Input and Output
  810.  
  811. See L<Encode>.
  812.  
  813. =head2 Unicode Regular Expression Support Level
  814.  
  815. The following list of Unicode support for regular expressions describes
  816. all the features currently supported.  The references to "Level N"
  817. and the section numbers refer to the Unicode Technical Report 18,
  818. "Unicode Regular Expression Guidelines", version 6 (Unicode 3.2.0,
  819. Perl 5.8.0).
  820.  
  821. =over 4
  822.  
  823. =item *
  824.  
  825. Level 1 - Basic Unicode Support
  826.  
  827.         2.1 Hex Notation                        - done          [1]
  828.             Named Notation                      - done          [2]
  829.         2.2 Categories                          - done          [3][4]
  830.         2.3 Subtraction                         - MISSING       [5][6]
  831.         2.4 Simple Word Boundaries              - done          [7]
  832.         2.5 Simple Loose Matches                - done          [8]
  833.         2.6 End of Line                         - MISSING       [9][10]
  834.  
  835.         [ 1] \x{...}
  836.         [ 2] \N{...}
  837.         [ 3] . \p{...} \P{...}
  838.         [ 4] support for scripts (see UTR#24 Script Names), blocks,
  839.              binary properties, enumerated non-binary properties, and
  840.              numeric properties (as listed in UTR#18 Other Properties)
  841.         [ 5] have negation
  842.         [ 6] can use regular expression look-ahead [a]
  843.              or user-defined character properties [b] to emulate subtraction
  844.         [ 7] include Letters in word characters
  845.         [ 8] note that Perl does Full case-folding in matching, not Simple:
  846.              for example U+1F88 is equivalent with U+1F00 U+03B9,
  847.              not with 1F80.  This difference matters for certain Greek
  848.              capital letters with certain modifiers: the Full case-folding
  849.              decomposes the letter, while the Simple case-folding would map
  850.              it to a single character.
  851.         [ 9] see UTR #13 Unicode Newline Guidelines
  852.         [10] should do ^ and $ also on \x{85}, \x{2028} and \x{2029}
  853.              (should also affect <>, $., and script line numbers)
  854.              (the \x{85}, \x{2028} and \x{2029} do match \s)
  855.  
  856. [a] You can mimic class subtraction using lookahead.
  857. For example, what UTR #18 might write as
  858.  
  859.     [{Greek}-[{UNASSIGNED}]]
  860.  
  861. in Perl can be written as:
  862.  
  863.     (?!\p{Unassigned})\p{InGreekAndCoptic}
  864.     (?=\p{Assigned})\p{InGreekAndCoptic}
  865.  
  866. But in this particular example, you probably really want
  867.  
  868.     \p{GreekAndCoptic}
  869.  
  870. which will match assigned characters known to be part of the Greek script.
  871.  
  872. Also see the Unicode::Regex::Set module, it does implement the full
  873. UTR #18 grouping, intersection, union, and removal (subtraction) syntax.
  874.  
  875. [b] See L</"User-Defined Character Properties">.
  876.  
  877. =item *
  878.  
  879. Level 2 - Extended Unicode Support
  880.  
  881.         3.1 Surrogates                          - MISSING    [11]
  882.         3.2 Canonical Equivalents               - MISSING       [12][13]
  883.         3.3 Locale-Independent Graphemes        - MISSING       [14]
  884.         3.4 Locale-Independent Words            - MISSING       [15]
  885.         3.5 Locale-Independent Loose Matches    - MISSING       [16]
  886.  
  887.         [11] Surrogates are solely a UTF-16 concept and Perl's internal
  888.              representation is UTF-8.  The Encode module does UTF-16, though.
  889.         [12] see UTR#15 Unicode Normalization
  890.         [13] have Unicode::Normalize but not integrated to regexes
  891.         [14] have \X but at this level . should equal that
  892.         [15] need three classes, not just \w and \W
  893.         [16] see UTR#21 Case Mappings
  894.  
  895. =item *
  896.  
  897. Level 3 - Locale-Sensitive Support
  898.  
  899.         4.1 Locale-Dependent Categories         - MISSING
  900.         4.2 Locale-Dependent Graphemes          - MISSING       [16][17]
  901.         4.3 Locale-Dependent Words              - MISSING
  902.         4.4 Locale-Dependent Loose Matches      - MISSING
  903.         4.5 Locale-Dependent Ranges             - MISSING
  904.  
  905.         [16] see UTR#10 Unicode Collation Algorithms
  906.         [17] have Unicode::Collate but not integrated to regexes
  907.  
  908. =back
  909.  
  910. =head2 Unicode Encodings
  911.  
  912. Unicode characters are assigned to I<code points>, which are abstract
  913. numbers.  To use these numbers, various encodings are needed.
  914.  
  915. =over 4
  916.  
  917. =item *
  918.  
  919. UTF-8
  920.  
  921. UTF-8 is a variable-length (1 to 6 bytes, current character allocations
  922. require 4 bytes), byte-order independent encoding. For ASCII (and we
  923. really do mean 7-bit ASCII, not another 8-bit encoding), UTF-8 is
  924. transparent.
  925.  
  926. The following table is from Unicode 3.2.
  927.  
  928.  Code Points            1st Byte  2nd Byte  3rd Byte  4th Byte
  929.  
  930.    U+0000..U+007F       00..7F
  931.    U+0080..U+07FF       C2..DF    80..BF
  932.    U+0800..U+0FFF       E0        A0..BF    80..BF
  933.    U+1000..U+CFFF       E1..EC    80..BF    80..BF
  934.    U+D000..U+D7FF       ED        80..9F    80..BF
  935.    U+D800..U+DFFF       ******* ill-formed *******
  936.    U+E000..U+FFFF       EE..EF    80..BF    80..BF
  937.   U+10000..U+3FFFF      F0        90..BF    80..BF    80..BF
  938.   U+40000..U+FFFFF      F1..F3    80..BF    80..BF    80..BF
  939.  U+100000..U+10FFFF     F4        80..8F    80..BF    80..BF
  940.  
  941. Note the C<A0..BF> in C<U+0800..U+0FFF>, the C<80..9F> in
  942. C<U+D000...U+D7FF>, the C<90..B>F in C<U+10000..U+3FFFF>, and the
  943. C<80...8F> in C<U+100000..U+10FFFF>.  The "gaps" are caused by legal
  944. UTF-8 avoiding non-shortest encodings: it is technically possible to
  945. UTF-8-encode a single code point in different ways, but that is
  946. explicitly forbidden, and the shortest possible encoding should always
  947. be used.  So that's what Perl does.
  948.  
  949. Another way to look at it is via bits:
  950.  
  951.  Code Points                    1st Byte   2nd Byte  3rd Byte  4th Byte
  952.  
  953.                     0aaaaaaa     0aaaaaaa
  954.             00000bbbbbaaaaaa     110bbbbb  10aaaaaa
  955.             ccccbbbbbbaaaaaa     1110cccc  10bbbbbb  10aaaaaa
  956.   00000dddccccccbbbbbbaaaaaa     11110ddd  10cccccc  10bbbbbb  10aaaaaa
  957.  
  958. As you can see, the continuation bytes all begin with C<10>, and the
  959. leading bits of the start byte tell how many bytes the are in the
  960. encoded character.
  961.  
  962. =item *
  963.  
  964. UTF-EBCDIC
  965.  
  966. Like UTF-8 but EBCDIC-safe, in the way that UTF-8 is ASCII-safe.
  967.  
  968. =item *
  969.  
  970. UTF-16, UTF-16BE, UTF-16LE, Surrogates, and BOMs (Byte Order Marks)
  971.  
  972. The followings items are mostly for reference and general Unicode
  973. knowledge, Perl doesn't use these constructs internally.
  974.  
  975. UTF-16 is a 2 or 4 byte encoding.  The Unicode code points
  976. C<U+0000..U+FFFF> are stored in a single 16-bit unit, and the code
  977. points C<U+10000..U+10FFFF> in two 16-bit units.  The latter case is
  978. using I<surrogates>, the first 16-bit unit being the I<high
  979. surrogate>, and the second being the I<low surrogate>.
  980.  
  981. Surrogates are code points set aside to encode the C<U+10000..U+10FFFF>
  982. range of Unicode code points in pairs of 16-bit units.  The I<high
  983. surrogates> are the range C<U+D800..U+DBFF>, and the I<low surrogates>
  984. are the range C<U+DC00..U+DFFF>.  The surrogate encoding is
  985.  
  986.     $hi = ($uni - 0x10000) / 0x400 + 0xD800;
  987.     $lo = ($uni - 0x10000) % 0x400 + 0xDC00;
  988.  
  989. and the decoding is
  990.  
  991.     $uni = 0x10000 + ($hi - 0xD800) * 0x400 + ($lo - 0xDC00);
  992.  
  993. If you try to generate surrogates (for example by using chr()), you
  994. will get a warning if warnings are turned on, because those code
  995. points are not valid for a Unicode character.
  996.  
  997. Because of the 16-bitness, UTF-16 is byte-order dependent.  UTF-16
  998. itself can be used for in-memory computations, but if storage or
  999. transfer is required either UTF-16BE (big-endian) or UTF-16LE
  1000. (little-endian) encodings must be chosen.
  1001.  
  1002. This introduces another problem: what if you just know that your data
  1003. is UTF-16, but you don't know which endianness?  Byte Order Marks, or
  1004. BOMs, are a solution to this.  A special character has been reserved
  1005. in Unicode to function as a byte order marker: the character with the
  1006. code point C<U+FEFF> is the BOM.
  1007.  
  1008. The trick is that if you read a BOM, you will know the byte order,
  1009. since if it was written on a big-endian platform, you will read the
  1010. bytes C<0xFE 0xFF>, but if it was written on a little-endian platform,
  1011. you will read the bytes C<0xFF 0xFE>.  (And if the originating platform
  1012. was writing in UTF-8, you will read the bytes C<0xEF 0xBB 0xBF>.)
  1013.  
  1014. The way this trick works is that the character with the code point
  1015. C<U+FFFE> is guaranteed not to be a valid Unicode character, so the
  1016. sequence of bytes C<0xFF 0xFE> is unambiguously "BOM, represented in
  1017. little-endian format" and cannot be C<U+FFFE>, represented in big-endian
  1018. format".
  1019.  
  1020. =item *
  1021.  
  1022. UTF-32, UTF-32BE, UTF-32LE
  1023.  
  1024. The UTF-32 family is pretty much like the UTF-16 family, expect that
  1025. the units are 32-bit, and therefore the surrogate scheme is not
  1026. needed.  The BOM signatures will be C<0x00 0x00 0xFE 0xFF> for BE and
  1027. C<0xFF 0xFE 0x00 0x00> for LE.
  1028.  
  1029. =item *
  1030.  
  1031. UCS-2, UCS-4
  1032.  
  1033. Encodings defined by the ISO 10646 standard.  UCS-2 is a 16-bit
  1034. encoding.  Unlike UTF-16, UCS-2 is not extensible beyond C<U+FFFF>,
  1035. because it does not use surrogates.  UCS-4 is a 32-bit encoding,
  1036. functionally identical to UTF-32.
  1037.  
  1038. =item *
  1039.  
  1040. UTF-7
  1041.  
  1042. A seven-bit safe (non-eight-bit) encoding, which is useful if the
  1043. transport or storage is not eight-bit safe.  Defined by RFC 2152.
  1044.  
  1045. =back
  1046.  
  1047. =head2 Security Implications of Unicode
  1048.  
  1049. =over 4
  1050.  
  1051. =item *
  1052.  
  1053. Malformed UTF-8
  1054.  
  1055. Unfortunately, the specification of UTF-8 leaves some room for
  1056. interpretation of how many bytes of encoded output one should generate
  1057. from one input Unicode character.  Strictly speaking, the shortest
  1058. possible sequence of UTF-8 bytes should be generated,
  1059. because otherwise there is potential for an input buffer overflow at
  1060. the receiving end of a UTF-8 connection.  Perl always generates the
  1061. shortest length UTF-8, and with warnings on Perl will warn about
  1062. non-shortest length UTF-8 along with other malformations, such as the
  1063. surrogates, which are not real Unicode code points.
  1064.  
  1065. =item *
  1066.  
  1067. Regular expressions behave slightly differently between byte data and
  1068. character (Unicode) data.  For example, the "word character" character
  1069. class C<\w> will work differently depending on if data is eight-bit bytes
  1070. or Unicode.
  1071.  
  1072. In the first case, the set of C<\w> characters is either small--the
  1073. default set of alphabetic characters, digits, and the "_"--or, if you
  1074. are using a locale (see L<perllocale>), the C<\w> might contain a few
  1075. more letters according to your language and country.
  1076.  
  1077. In the second case, the C<\w> set of characters is much, much larger.
  1078. Most importantly, even in the set of the first 256 characters, it will
  1079. probably match different characters: unlike most locales, which are
  1080. specific to a language and country pair, Unicode classifies all the
  1081. characters that are letters I<somewhere> as C<\w>.  For example, your
  1082. locale might not think that LATIN SMALL LETTER ETH is a letter (unless
  1083. you happen to speak Icelandic), but Unicode does.
  1084.  
  1085. As discussed elsewhere, Perl has one foot (two hooves?) planted in
  1086. each of two worlds: the old world of bytes and the new world of
  1087. characters, upgrading from bytes to characters when necessary.
  1088. If your legacy code does not explicitly use Unicode, no automatic
  1089. switch-over to characters should happen.  Characters shouldn't get
  1090. downgraded to bytes, either.  It is possible to accidentally mix bytes
  1091. and characters, however (see L<perluniintro>), in which case C<\w> in
  1092. regular expressions might start behaving differently.  Review your
  1093. code.  Use warnings and the C<strict> pragma.
  1094.  
  1095. =back
  1096.  
  1097. =head2 Unicode in Perl on EBCDIC
  1098.  
  1099. The way Unicode is handled on EBCDIC platforms is still
  1100. experimental.  On such platforms, references to UTF-8 encoding in this
  1101. document and elsewhere should be read as meaning the UTF-EBCDIC
  1102. specified in Unicode Technical Report 16, unless ASCII vs. EBCDIC issues
  1103. are specifically discussed. There is no C<utfebcdic> pragma or
  1104. ":utfebcdic" layer; rather, "utf8" and ":utf8" are reused to mean
  1105. the platform's "natural" 8-bit encoding of Unicode. See L<perlebcdic>
  1106. for more discussion of the issues.
  1107.  
  1108. =head2 Locales
  1109.  
  1110. Usually locale settings and Unicode do not affect each other, but
  1111. there are a couple of exceptions:
  1112.  
  1113. =over 4
  1114.  
  1115. =item *
  1116.  
  1117. You can enable automatic UTF-8-ification of your standard file
  1118. handles, default C<open()> layer, and C<@ARGV> by using either
  1119. the C<-C> command line switch or the C<PERL_UNICODE> environment
  1120. variable, see L<perlrun> for the documentation of the C<-C> switch.
  1121.  
  1122. =item *
  1123.  
  1124. Perl tries really hard to work both with Unicode and the old
  1125. byte-oriented world. Most often this is nice, but sometimes Perl's
  1126. straddling of the proverbial fence causes problems.
  1127.  
  1128. =back
  1129.  
  1130. =head2 When Unicode Does Not Happen
  1131.  
  1132. While Perl does have extensive ways to input and output in Unicode,
  1133. and few other 'entry points' like the @ARGV which can be interpreted
  1134. as Unicode (UTF-8), there still are many places where Unicode (in some
  1135. encoding or another) could be given as arguments or received as
  1136. results, or both, but it is not.
  1137.  
  1138. The following are such interfaces.  For all of these interfaces Perl
  1139. currently (as of 5.8.3) simply assumes byte strings both as arguments
  1140. and results, or UTF-8 strings if the C<encoding> pragma has been used.
  1141.  
  1142. One reason why Perl does not attempt to resolve the role of Unicode in
  1143. this cases is that the answers are highly dependent on the operating
  1144. system and the file system(s).  For example, whether filenames can be
  1145. in Unicode, and in exactly what kind of encoding, is not exactly a
  1146. portable concept.  Similarly for the qx and system: how well will the
  1147. 'command line interface' (and which of them?) handle Unicode?
  1148.  
  1149. =over 4
  1150.  
  1151. =item *
  1152.  
  1153. chmod, chmod, chown, chroot, exec, link, lstat, mkdir, 
  1154. rename, rmdir, stat, symlink, truncate, unlink, utime, -X
  1155.  
  1156. =item *
  1157.  
  1158. %ENV
  1159.  
  1160. =item *
  1161.  
  1162. glob (aka the <*>)
  1163.  
  1164. =item *
  1165.  
  1166. open, opendir, sysopen
  1167.  
  1168. =item *
  1169.  
  1170. qx (aka the backtick operator), system
  1171.  
  1172. =item *
  1173.  
  1174. readdir, readlink
  1175.  
  1176. =back
  1177.  
  1178. =head2 Forcing Unicode in Perl (Or Unforcing Unicode in Perl)
  1179.  
  1180. Sometimes (see L</"When Unicode Does Not Happen">) there are
  1181. situations where you simply need to force Perl to believe that a byte
  1182. string is UTF-8, or vice versa.  The low-level calls
  1183. utf8::upgrade($bytestring) and utf8::downgrade($utf8string) are
  1184. the answers.
  1185.  
  1186. Do not use them without careful thought, though: Perl may easily get
  1187. very confused, angry, or even crash, if you suddenly change the 'nature'
  1188. of scalar like that.  Especially careful you have to be if you use the
  1189. utf8::upgrade(): any random byte string is not valid UTF-8.
  1190.  
  1191. =head2 Using Unicode in XS
  1192.  
  1193. If you want to handle Perl Unicode in XS extensions, you may find the
  1194. following C APIs useful.  See also L<perlguts/"Unicode Support"> for an
  1195. explanation about Unicode at the XS level, and L<perlapi> for the API
  1196. details.
  1197.  
  1198. =over 4
  1199.  
  1200. =item *
  1201.  
  1202. C<DO_UTF8(sv)> returns true if the C<UTF8> flag is on and the bytes
  1203. pragma is not in effect.  C<SvUTF8(sv)> returns true is the C<UTF8>
  1204. flag is on; the bytes pragma is ignored.  The C<UTF8> flag being on
  1205. does B<not> mean that there are any characters of code points greater
  1206. than 255 (or 127) in the scalar or that there are even any characters
  1207. in the scalar.  What the C<UTF8> flag means is that the sequence of
  1208. octets in the representation of the scalar is the sequence of UTF-8
  1209. encoded code points of the characters of a string.  The C<UTF8> flag
  1210. being off means that each octet in this representation encodes a
  1211. single character with code point 0..255 within the string.  Perl's
  1212. Unicode model is not to use UTF-8 until it is absolutely necessary.
  1213.  
  1214. =item *
  1215.  
  1216. C<uvuni_to_utf8(buf, chr)> writes a Unicode character code point into
  1217. a buffer encoding the code point as UTF-8, and returns a pointer
  1218. pointing after the UTF-8 bytes.
  1219.  
  1220. =item *
  1221.  
  1222. C<utf8_to_uvuni(buf, lenp)> reads UTF-8 encoded bytes from a buffer and
  1223. returns the Unicode character code point and, optionally, the length of
  1224. the UTF-8 byte sequence.
  1225.  
  1226. =item *
  1227.  
  1228. C<utf8_length(start, end)> returns the length of the UTF-8 encoded buffer
  1229. in characters.  C<sv_len_utf8(sv)> returns the length of the UTF-8 encoded
  1230. scalar.
  1231.  
  1232. =item *
  1233.  
  1234. C<sv_utf8_upgrade(sv)> converts the string of the scalar to its UTF-8
  1235. encoded form.  C<sv_utf8_downgrade(sv)> does the opposite, if
  1236. possible.  C<sv_utf8_encode(sv)> is like sv_utf8_upgrade except that
  1237. it does not set the C<UTF8> flag.  C<sv_utf8_decode()> does the
  1238. opposite of C<sv_utf8_encode()>.  Note that none of these are to be
  1239. used as general-purpose encoding or decoding interfaces: C<use Encode>
  1240. for that.  C<sv_utf8_upgrade()> is affected by the encoding pragma
  1241. but C<sv_utf8_downgrade()> is not (since the encoding pragma is
  1242. designed to be a one-way street).
  1243.  
  1244. =item *
  1245.  
  1246. C<is_utf8_char(s)> returns true if the pointer points to a valid UTF-8
  1247. character.
  1248.  
  1249. =item *
  1250.  
  1251. C<is_utf8_string(buf, len)> returns true if C<len> bytes of the buffer
  1252. are valid UTF-8.
  1253.  
  1254. =item *
  1255.  
  1256. C<UTF8SKIP(buf)> will return the number of bytes in the UTF-8 encoded
  1257. character in the buffer.  C<UNISKIP(chr)> will return the number of bytes
  1258. required to UTF-8-encode the Unicode character code point.  C<UTF8SKIP()>
  1259. is useful for example for iterating over the characters of a UTF-8
  1260. encoded buffer; C<UNISKIP()> is useful, for example, in computing
  1261. the size required for a UTF-8 encoded buffer.
  1262.  
  1263. =item *
  1264.  
  1265. C<utf8_distance(a, b)> will tell the distance in characters between the
  1266. two pointers pointing to the same UTF-8 encoded buffer.
  1267.  
  1268. =item *
  1269.  
  1270. C<utf8_hop(s, off)> will return a pointer to an UTF-8 encoded buffer
  1271. that is C<off> (positive or negative) Unicode characters displaced
  1272. from the UTF-8 buffer C<s>.  Be careful not to overstep the buffer:
  1273. C<utf8_hop()> will merrily run off the end or the beginning of the
  1274. buffer if told to do so.
  1275.  
  1276. =item *
  1277.  
  1278. C<pv_uni_display(dsv, spv, len, pvlim, flags)> and
  1279. C<sv_uni_display(dsv, ssv, pvlim, flags)> are useful for debugging the
  1280. output of Unicode strings and scalars.  By default they are useful
  1281. only for debugging--they display B<all> characters as hexadecimal code
  1282. points--but with the flags C<UNI_DISPLAY_ISPRINT>,
  1283. C<UNI_DISPLAY_BACKSLASH>, and C<UNI_DISPLAY_QQ> you can make the
  1284. output more readable.
  1285.  
  1286. =item *
  1287.  
  1288. C<ibcmp_utf8(s1, pe1, u1, l1, u1, s2, pe2, l2, u2)> can be used to
  1289. compare two strings case-insensitively in Unicode.  For case-sensitive
  1290. comparisons you can just use C<memEQ()> and C<memNE()> as usual.
  1291.  
  1292. =back
  1293.  
  1294. For more information, see L<perlapi>, and F<utf8.c> and F<utf8.h>
  1295. in the Perl source code distribution.
  1296.  
  1297. =head1 BUGS
  1298.  
  1299. =head2 Interaction with Locales
  1300.  
  1301. Use of locales with Unicode data may lead to odd results.  Currently,
  1302. Perl attempts to attach 8-bit locale info to characters in the range
  1303. 0..255, but this technique is demonstrably incorrect for locales that
  1304. use characters above that range when mapped into Unicode.  Perl's
  1305. Unicode support will also tend to run slower.  Use of locales with
  1306. Unicode is discouraged.
  1307.  
  1308. =head2 Interaction with Extensions
  1309.  
  1310. When Perl exchanges data with an extension, the extension should be
  1311. able to understand the UTF-8 flag and act accordingly. If the
  1312. extension doesn't know about the flag, it's likely that the extension
  1313. will return incorrectly-flagged data.
  1314.  
  1315. So if you're working with Unicode data, consult the documentation of
  1316. every module you're using if there are any issues with Unicode data
  1317. exchange. If the documentation does not talk about Unicode at all,
  1318. suspect the worst and probably look at the source to learn how the
  1319. module is implemented. Modules written completely in Perl shouldn't
  1320. cause problems. Modules that directly or indirectly access code written
  1321. in other programming languages are at risk.
  1322.  
  1323. For affected functions, the simple strategy to avoid data corruption is
  1324. to always make the encoding of the exchanged data explicit. Choose an
  1325. encoding that you know the extension can handle. Convert arguments passed
  1326. to the extensions to that encoding and convert results back from that
  1327. encoding. Write wrapper functions that do the conversions for you, so
  1328. you can later change the functions when the extension catches up.
  1329.  
  1330. To provide an example, let's say the popular Foo::Bar::escape_html
  1331. function doesn't deal with Unicode data yet. The wrapper function
  1332. would convert the argument to raw UTF-8 and convert the result back to
  1333. Perl's internal representation like so:
  1334.  
  1335.     sub my_escape_html ($) {
  1336.       my($what) = shift;
  1337.       return unless defined $what;
  1338.       Encode::decode_utf8(Foo::Bar::escape_html(Encode::encode_utf8($what)));
  1339.     }
  1340.  
  1341. Sometimes, when the extension does not convert data but just stores
  1342. and retrieves them, you will be in a position to use the otherwise
  1343. dangerous Encode::_utf8_on() function. Let's say the popular
  1344. C<Foo::Bar> extension, written in C, provides a C<param> method that
  1345. lets you store and retrieve data according to these prototypes:
  1346.  
  1347.     $self->param($name, $value);            # set a scalar
  1348.     $value = $self->param($name);           # retrieve a scalar
  1349.  
  1350. If it does not yet provide support for any encoding, one could write a
  1351. derived class with such a C<param> method:
  1352.  
  1353.     sub param {
  1354.       my($self,$name,$value) = @_;
  1355.       utf8::upgrade($name);     # make sure it is UTF-8 encoded
  1356.       if (defined $value)
  1357.         utf8::upgrade($value);  # make sure it is UTF-8 encoded
  1358.         return $self->SUPER::param($name,$value);
  1359.       } else {
  1360.         my $ret = $self->SUPER::param($name);
  1361.         Encode::_utf8_on($ret); # we know, it is UTF-8 encoded
  1362.         return $ret;
  1363.       }
  1364.     }
  1365.  
  1366. Some extensions provide filters on data entry/exit points, such as
  1367. DB_File::filter_store_key and family. Look out for such filters in
  1368. the documentation of your extensions, they can make the transition to
  1369. Unicode data much easier.
  1370.  
  1371. =head2 Speed
  1372.  
  1373. Some functions are slower when working on UTF-8 encoded strings than
  1374. on byte encoded strings.  All functions that need to hop over
  1375. characters such as length(), substr() or index(), or matching regular
  1376. expressions can work B<much> faster when the underlying data are
  1377. byte-encoded.
  1378.  
  1379. In Perl 5.8.0 the slowness was often quite spectacular; in Perl 5.8.1
  1380. a caching scheme was introduced which will hopefully make the slowness
  1381. somewhat less spectacular, at least for some operations.  In general,
  1382. operations with UTF-8 encoded strings are still slower. As an example,
  1383. the Unicode properties (character classes) like C<\p{Nd}> are known to
  1384. be quite a bit slower (5-20 times) than their simpler counterparts
  1385. like C<\d> (then again, there 268 Unicode characters matching C<Nd>
  1386. compared with the 10 ASCII characters matching C<d>).
  1387.  
  1388. =head2 Porting code from perl-5.6.X
  1389.  
  1390. Perl 5.8 has a different Unicode model from 5.6. In 5.6 the programmer
  1391. was required to use the C<utf8> pragma to declare that a given scope
  1392. expected to deal with Unicode data and had to make sure that only
  1393. Unicode data were reaching that scope. If you have code that is
  1394. working with 5.6, you will need some of the following adjustments to
  1395. your code. The examples are written such that the code will continue
  1396. to work under 5.6, so you should be safe to try them out.
  1397.  
  1398. =over 4
  1399.  
  1400. =item *
  1401.  
  1402. A filehandle that should read or write UTF-8
  1403.  
  1404.   if ($] > 5.007) {
  1405.     binmode $fh, ":utf8";
  1406.   }
  1407.  
  1408. =item *
  1409.  
  1410. A scalar that is going to be passed to some extension
  1411.  
  1412. Be it Compress::Zlib, Apache::Request or any extension that has no
  1413. mention of Unicode in the manpage, you need to make sure that the
  1414. UTF-8 flag is stripped off. Note that at the time of this writing
  1415. (October 2002) the mentioned modules are not UTF-8-aware. Please
  1416. check the documentation to verify if this is still true.
  1417.  
  1418.   if ($] > 5.007) {
  1419.     require Encode;
  1420.     $val = Encode::encode_utf8($val); # make octets
  1421.   }
  1422.  
  1423. =item *
  1424.  
  1425. A scalar we got back from an extension
  1426.  
  1427. If you believe the scalar comes back as UTF-8, you will most likely
  1428. want the UTF-8 flag restored:
  1429.  
  1430.   if ($] > 5.007) {
  1431.     require Encode;
  1432.     $val = Encode::decode_utf8($val);
  1433.   }
  1434.  
  1435. =item *
  1436.  
  1437. Same thing, if you are really sure it is UTF-8
  1438.  
  1439.   if ($] > 5.007) {
  1440.     require Encode;
  1441.     Encode::_utf8_on($val);
  1442.   }
  1443.  
  1444. =item *
  1445.  
  1446. A wrapper for fetchrow_array and fetchrow_hashref
  1447.  
  1448. When the database contains only UTF-8, a wrapper function or method is
  1449. a convenient way to replace all your fetchrow_array and
  1450. fetchrow_hashref calls. A wrapper function will also make it easier to
  1451. adapt to future enhancements in your database driver. Note that at the
  1452. time of this writing (October 2002), the DBI has no standardized way
  1453. to deal with UTF-8 data. Please check the documentation to verify if
  1454. that is still true.
  1455.  
  1456.   sub fetchrow {
  1457.     my($self, $sth, $what) = @_; # $what is one of fetchrow_{array,hashref}
  1458.     if ($] < 5.007) {
  1459.       return $sth->$what;
  1460.     } else {
  1461.       require Encode;
  1462.       if (wantarray) {
  1463.         my @arr = $sth->$what;
  1464.         for (@arr) {
  1465.           defined && /[^\000-\177]/ && Encode::_utf8_on($_);
  1466.         }
  1467.         return @arr;
  1468.       } else {
  1469.         my $ret = $sth->$what;
  1470.         if (ref $ret) {
  1471.           for my $k (keys %$ret) {
  1472.             defined && /[^\000-\177]/ && Encode::_utf8_on($_) for $ret->{$k};
  1473.           }
  1474.           return $ret;
  1475.         } else {
  1476.           defined && /[^\000-\177]/ && Encode::_utf8_on($_) for $ret;
  1477.           return $ret;
  1478.         }
  1479.       }
  1480.     }
  1481.   }
  1482.  
  1483.  
  1484. =item *
  1485.  
  1486. A large scalar that you know can only contain ASCII
  1487.  
  1488. Scalars that contain only ASCII and are marked as UTF-8 are sometimes
  1489. a drag to your program. If you recognize such a situation, just remove
  1490. the UTF-8 flag:
  1491.  
  1492.   utf8::downgrade($val) if $] > 5.007;
  1493.  
  1494. =back
  1495.  
  1496. =head1 SEE ALSO
  1497.  
  1498. L<perluniintro>, L<encoding>, L<Encode>, L<open>, L<utf8>, L<bytes>,
  1499. L<perlretut>, L<perlvar/"${^UNICODE}">
  1500.  
  1501. =cut
  1502.