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 / perluniintro.pod < prev    next >
Text File  |  2006-04-25  |  33KB  |  896 lines

  1. =head1 NAME
  2.  
  3. perluniintro - Perl Unicode introduction
  4.  
  5. =head1 DESCRIPTION
  6.  
  7. This document gives a general idea of Unicode and how to use Unicode
  8. in Perl.
  9.  
  10. =head2 Unicode
  11.  
  12. Unicode is a character set standard which plans to codify all of the
  13. writing systems of the world, plus many other symbols.
  14.  
  15. Unicode and ISO/IEC 10646 are coordinated standards that provide code
  16. points for characters in almost all modern character set standards,
  17. covering more than 30 writing systems and hundreds of languages,
  18. including all commercially-important modern languages.  All characters
  19. in the largest Chinese, Japanese, and Korean dictionaries are also
  20. encoded. The standards will eventually cover almost all characters in
  21. more than 250 writing systems and thousands of languages.
  22. Unicode 1.0 was released in October 1991, and 4.0 in April 2003.
  23.  
  24. A Unicode I<character> is an abstract entity.  It is not bound to any
  25. particular integer width, especially not to the C language C<char>.
  26. Unicode is language-neutral and display-neutral: it does not encode the
  27. language of the text and it does not define fonts or other graphical
  28. layout details.  Unicode operates on characters and on text built from
  29. those characters.
  30.  
  31. Unicode defines characters like C<LATIN CAPITAL LETTER A> or C<GREEK
  32. SMALL LETTER ALPHA> and unique numbers for the characters, in this
  33. case 0x0041 and 0x03B1, respectively.  These unique numbers are called
  34. I<code points>.
  35.  
  36. The Unicode standard prefers using hexadecimal notation for the code
  37. points.  If numbers like C<0x0041> are unfamiliar to you, take a peek
  38. at a later section, L</"Hexadecimal Notation">.  The Unicode standard
  39. uses the notation C<U+0041 LATIN CAPITAL LETTER A>, to give the
  40. hexadecimal code point and the normative name of the character.
  41.  
  42. Unicode also defines various I<properties> for the characters, like
  43. "uppercase" or "lowercase", "decimal digit", or "punctuation";
  44. these properties are independent of the names of the characters.
  45. Furthermore, various operations on the characters like uppercasing,
  46. lowercasing, and collating (sorting) are defined.
  47.  
  48. A Unicode character consists either of a single code point, or a
  49. I<base character> (like C<LATIN CAPITAL LETTER A>), followed by one or
  50. more I<modifiers> (like C<COMBINING ACUTE ACCENT>).  This sequence of
  51. base character and modifiers is called a I<combining character
  52. sequence>.
  53.  
  54. Whether to call these combining character sequences "characters"
  55. depends on your point of view. If you are a programmer, you probably
  56. would tend towards seeing each element in the sequences as one unit,
  57. or "character".  The whole sequence could be seen as one "character",
  58. however, from the user's point of view, since that's probably what it
  59. looks like in the context of the user's language.
  60.  
  61. With this "whole sequence" view of characters, the total number of
  62. characters is open-ended. But in the programmer's "one unit is one
  63. character" point of view, the concept of "characters" is more
  64. deterministic.  In this document, we take that second  point of view:
  65. one "character" is one Unicode code point, be it a base character or
  66. a combining character.
  67.  
  68. For some combinations, there are I<precomposed> characters.
  69. C<LATIN CAPITAL LETTER A WITH ACUTE>, for example, is defined as
  70. a single code point.  These precomposed characters are, however,
  71. only available for some combinations, and are mainly
  72. meant to support round-trip conversions between Unicode and legacy
  73. standards (like the ISO 8859).  In the general case, the composing
  74. method is more extensible.  To support conversion between
  75. different compositions of the characters, various I<normalization
  76. forms> to standardize representations are also defined.
  77.  
  78. Because of backward compatibility with legacy encodings, the "a unique
  79. number for every character" idea breaks down a bit: instead, there is
  80. "at least one number for every character".  The same character could
  81. be represented differently in several legacy encodings.  The
  82. converse is also not true: some code points do not have an assigned
  83. character.  Firstly, there are unallocated code points within
  84. otherwise used blocks.  Secondly, there are special Unicode control
  85. characters that do not represent true characters.
  86.  
  87. A common myth about Unicode is that it would be "16-bit", that is,
  88. Unicode is only represented as C<0x10000> (or 65536) characters from
  89. C<0x0000> to C<0xFFFF>.  B<This is untrue.>  Since Unicode 2.0 (July
  90. 1996), Unicode has been defined all the way up to 21 bits (C<0x10FFFF>),
  91. and since Unicode 3.1 (March 2001), characters have been defined
  92. beyond C<0xFFFF>.  The first C<0x10000> characters are called the
  93. I<Plane 0>, or the I<Basic Multilingual Plane> (BMP).  With Unicode
  94. 3.1, 17 (yes, seventeen) planes in all were defined--but they are
  95. nowhere near full of defined characters, yet.
  96.  
  97. Another myth is that the 256-character blocks have something to
  98. do with languages--that each block would define the characters used
  99. by a language or a set of languages.  B<This is also untrue.>
  100. The division into blocks exists, but it is almost completely
  101. accidental--an artifact of how the characters have been and
  102. still are allocated.  Instead, there is a concept called I<scripts>,
  103. which is more useful: there is C<Latin> script, C<Greek> script, and
  104. so on.  Scripts usually span varied parts of several blocks.
  105. For further information see L<Unicode::UCD>.
  106.  
  107. The Unicode code points are just abstract numbers.  To input and
  108. output these abstract numbers, the numbers must be I<encoded> or
  109. I<serialised> somehow.  Unicode defines several I<character encoding
  110. forms>, of which I<UTF-8> is perhaps the most popular.  UTF-8 is a
  111. variable length encoding that encodes Unicode characters as 1 to 6
  112. bytes (only 4 with the currently defined characters).  Other encodings
  113. include UTF-16 and UTF-32 and their big- and little-endian variants
  114. (UTF-8 is byte-order independent) The ISO/IEC 10646 defines the UCS-2
  115. and UCS-4 encoding forms.
  116.  
  117. For more information about encodings--for instance, to learn what
  118. I<surrogates> and I<byte order marks> (BOMs) are--see L<perlunicode>.
  119.  
  120. =head2 Perl's Unicode Support
  121.  
  122. Starting from Perl 5.6.0, Perl has had the capacity to handle Unicode
  123. natively.  Perl 5.8.0, however, is the first recommended release for
  124. serious Unicode work.  The maintenance release 5.6.1 fixed many of the
  125. problems of the initial Unicode implementation, but for example
  126. regular expressions still do not work with Unicode in 5.6.1.
  127.  
  128. B<Starting from Perl 5.8.0, the use of C<use utf8> is no longer
  129. necessary.> In earlier releases the C<utf8> pragma was used to declare
  130. that operations in the current block or file would be Unicode-aware.
  131. This model was found to be wrong, or at least clumsy: the "Unicodeness"
  132. is now carried with the data, instead of being attached to the
  133. operations.  Only one case remains where an explicit C<use utf8> is
  134. needed: if your Perl script itself is encoded in UTF-8, you can use
  135. UTF-8 in your identifier names, and in string and regular expression
  136. literals, by saying C<use utf8>.  This is not the default because
  137. scripts with legacy 8-bit data in them would break.  See L<utf8>.
  138.  
  139. =head2 Perl's Unicode Model
  140.  
  141. Perl supports both pre-5.6 strings of eight-bit native bytes, and
  142. strings of Unicode characters.  The principle is that Perl tries to
  143. keep its data as eight-bit bytes for as long as possible, but as soon
  144. as Unicodeness cannot be avoided, the data is transparently upgraded
  145. to Unicode.
  146.  
  147. Internally, Perl currently uses either whatever the native eight-bit
  148. character set of the platform (for example Latin-1) is, defaulting to
  149. UTF-8, to encode Unicode strings. Specifically, if all code points in
  150. the string are C<0xFF> or less, Perl uses the native eight-bit
  151. character set.  Otherwise, it uses UTF-8.
  152.  
  153. A user of Perl does not normally need to know nor care how Perl
  154. happens to encode its internal strings, but it becomes relevant when
  155. outputting Unicode strings to a stream without a PerlIO layer -- one with
  156. the "default" encoding.  In such a case, the raw bytes used internally
  157. (the native character set or UTF-8, as appropriate for each string)
  158. will be used, and a "Wide character" warning will be issued if those
  159. strings contain a character beyond 0x00FF.
  160.  
  161. For example,
  162.  
  163.       perl -e 'print "\x{DF}\n", "\x{0100}\x{DF}\n"'              
  164.  
  165. produces a fairly useless mixture of native bytes and UTF-8, as well
  166. as a warning:
  167.  
  168.      Wide character in print at ...
  169.  
  170. To output UTF-8, use the C<:utf8> output layer.  Prepending
  171.  
  172.       binmode(STDOUT, ":utf8");
  173.  
  174. to this sample program ensures that the output is completely UTF-8,
  175. and removes the program's warning.
  176.  
  177. You can enable automatic UTF-8-ification of your standard file
  178. handles, default C<open()> layer, and C<@ARGV> by using either
  179. the C<-C> command line switch or the C<PERL_UNICODE> environment
  180. variable, see L<perlrun> for the documentation of the C<-C> switch.
  181.  
  182. Note that this means that Perl expects other software to work, too:
  183. if Perl has been led to believe that STDIN should be UTF-8, but then
  184. STDIN coming in from another command is not UTF-8, Perl will complain
  185. about the malformed UTF-8.
  186.  
  187. All features that combine Unicode and I/O also require using the new
  188. PerlIO feature.  Almost all Perl 5.8 platforms do use PerlIO, though:
  189. you can see whether yours is by running "perl -V" and looking for
  190. C<useperlio=define>.
  191.  
  192. =head2 Unicode and EBCDIC
  193.  
  194. Perl 5.8.0 also supports Unicode on EBCDIC platforms.  There,
  195. Unicode support is somewhat more complex to implement since
  196. additional conversions are needed at every step.  Some problems
  197. remain, see L<perlebcdic> for details.
  198.  
  199. In any case, the Unicode support on EBCDIC platforms is better than
  200. in the 5.6 series, which didn't work much at all for EBCDIC platform.
  201. On EBCDIC platforms, the internal Unicode encoding form is UTF-EBCDIC
  202. instead of UTF-8.  The difference is that as UTF-8 is "ASCII-safe" in
  203. that ASCII characters encode to UTF-8 as-is, while UTF-EBCDIC is
  204. "EBCDIC-safe".
  205.  
  206. =head2 Creating Unicode
  207.  
  208. To create Unicode characters in literals for code points above C<0xFF>,
  209. use the C<\x{...}> notation in double-quoted strings:
  210.  
  211.     my $smiley = "\x{263a}";
  212.  
  213. Similarly, it can be used in regular expression literals
  214.  
  215.     $smiley =~ /\x{263a}/;
  216.  
  217. At run-time you can use C<chr()>:
  218.  
  219.     my $hebrew_alef = chr(0x05d0);
  220.  
  221. See L</"Further Resources"> for how to find all these numeric codes.
  222.  
  223. Naturally, C<ord()> will do the reverse: it turns a character into
  224. a code point.
  225.  
  226. Note that C<\x..> (no C<{}> and only two hexadecimal digits), C<\x{...}>,
  227. and C<chr(...)> for arguments less than C<0x100> (decimal 256)
  228. generate an eight-bit character for backward compatibility with older
  229. Perls.  For arguments of C<0x100> or more, Unicode characters are
  230. always produced. If you want to force the production of Unicode
  231. characters regardless of the numeric value, use C<pack("U", ...)>
  232. instead of C<\x..>, C<\x{...}>, or C<chr()>.
  233.  
  234. You can also use the C<charnames> pragma to invoke characters
  235. by name in double-quoted strings:
  236.  
  237.     use charnames ':full';
  238.     my $arabic_alef = "\N{ARABIC LETTER ALEF}";
  239.  
  240. And, as mentioned above, you can also C<pack()> numbers into Unicode
  241. characters:
  242.  
  243.    my $georgian_an  = pack("U", 0x10a0);
  244.  
  245. Note that both C<\x{...}> and C<\N{...}> are compile-time string
  246. constants: you cannot use variables in them.  if you want similar
  247. run-time functionality, use C<chr()> and C<charnames::vianame()>.
  248.  
  249. If you want to force the result to Unicode characters, use the special
  250. C<"U0"> prefix.  It consumes no arguments but forces the result to be
  251. in Unicode characters, instead of bytes.
  252.  
  253.    my $chars = pack("U0C*", 0x80, 0x42);
  254.  
  255. Likewise, you can force the result to be bytes by using the special
  256. C<"C0"> prefix.
  257.  
  258. =head2 Handling Unicode
  259.  
  260. Handling Unicode is for the most part transparent: just use the
  261. strings as usual.  Functions like C<index()>, C<length()>, and
  262. C<substr()> will work on the Unicode characters; regular expressions
  263. will work on the Unicode characters (see L<perlunicode> and L<perlretut>).
  264.  
  265. Note that Perl considers combining character sequences to be
  266. separate characters, so for example
  267.  
  268.     use charnames ':full';
  269.     print length("\N{LATIN CAPITAL LETTER A}\N{COMBINING ACUTE ACCENT}"), "\n";
  270.  
  271. will print 2, not 1.  The only exception is that regular expressions
  272. have C<\X> for matching a combining character sequence.
  273.  
  274. Life is not quite so transparent, however, when working with legacy
  275. encodings, I/O, and certain special cases:
  276.  
  277. =head2 Legacy Encodings
  278.  
  279. When you combine legacy data and Unicode the legacy data needs
  280. to be upgraded to Unicode.  Normally ISO 8859-1 (or EBCDIC, if
  281. applicable) is assumed.  You can override this assumption by
  282. using the C<encoding> pragma, for example
  283.  
  284.     use encoding 'latin2'; # ISO 8859-2
  285.  
  286. in which case literals (string or regular expressions), C<chr()>,
  287. and C<ord()> in your whole script are assumed to produce Unicode
  288. characters from ISO 8859-2 code points.  Note that the matching for
  289. encoding names is forgiving: instead of C<latin2> you could have
  290. said C<Latin 2>, or C<iso8859-2>, or other variations.  With just
  291.  
  292.     use encoding;
  293.  
  294. the environment variable C<PERL_ENCODING> will be consulted.
  295. If that variable isn't set, the encoding pragma will fail.
  296.  
  297. The C<Encode> module knows about many encodings and has interfaces
  298. for doing conversions between those encodings:
  299.  
  300.     use Encode 'decode';
  301.     $data = decode("iso-8859-3", $data); # convert from legacy to utf-8
  302.  
  303. =head2 Unicode I/O
  304.  
  305. Normally, writing out Unicode data
  306.  
  307.     print FH $some_string_with_unicode, "\n";
  308.  
  309. produces raw bytes that Perl happens to use to internally encode the
  310. Unicode string.  Perl's internal encoding depends on the system as
  311. well as what characters happen to be in the string at the time. If
  312. any of the characters are at code points C<0x100> or above, you will get
  313. a warning.  To ensure that the output is explicitly rendered in the
  314. encoding you desire--and to avoid the warning--open the stream with
  315. the desired encoding. Some examples:
  316.  
  317.     open FH, ">:utf8", "file";
  318.  
  319.     open FH, ">:encoding(ucs2)",      "file";
  320.     open FH, ">:encoding(UTF-8)",     "file";
  321.     open FH, ">:encoding(shift_jis)", "file";
  322.  
  323. and on already open streams, use C<binmode()>:
  324.  
  325.     binmode(STDOUT, ":utf8");
  326.  
  327.     binmode(STDOUT, ":encoding(ucs2)");
  328.     binmode(STDOUT, ":encoding(UTF-8)");
  329.     binmode(STDOUT, ":encoding(shift_jis)");
  330.  
  331. The matching of encoding names is loose: case does not matter, and
  332. many encodings have several aliases.  Note that the C<:utf8> layer
  333. must always be specified exactly like that; it is I<not> subject to
  334. the loose matching of encoding names.
  335.  
  336. See L<PerlIO> for the C<:utf8> layer, L<PerlIO::encoding> and
  337. L<Encode::PerlIO> for the C<:encoding()> layer, and
  338. L<Encode::Supported> for many encodings supported by the C<Encode>
  339. module.
  340.  
  341. Reading in a file that you know happens to be encoded in one of the
  342. Unicode or legacy encodings does not magically turn the data into
  343. Unicode in Perl's eyes.  To do that, specify the appropriate
  344. layer when opening files
  345.  
  346.     open(my $fh,'<:utf8', 'anything');
  347.     my $line_of_unicode = <$fh>;
  348.  
  349.     open(my $fh,'<:encoding(Big5)', 'anything');
  350.     my $line_of_unicode = <$fh>;
  351.  
  352. The I/O layers can also be specified more flexibly with
  353. the C<open> pragma.  See L<open>, or look at the following example.
  354.  
  355.     use open ':utf8'; # input and output default layer will be UTF-8
  356.     open X, ">file";
  357.     print X chr(0x100), "\n";
  358.     close X;
  359.     open Y, "<file";
  360.     printf "%#x\n", ord(<Y>); # this should print 0x100
  361.     close Y;
  362.  
  363. With the C<open> pragma you can use the C<:locale> layer
  364.  
  365.     BEGIN { $ENV{LC_ALL} = $ENV{LANG} = 'ru_RU.KOI8-R' }
  366.     # the :locale will probe the locale environment variables like LC_ALL
  367.     use open OUT => ':locale'; # russki parusski
  368.     open(O, ">koi8");
  369.     print O chr(0x430); # Unicode CYRILLIC SMALL LETTER A = KOI8-R 0xc1
  370.     close O;
  371.     open(I, "<koi8");
  372.     printf "%#x\n", ord(<I>), "\n"; # this should print 0xc1
  373.     close I;
  374.  
  375. or you can also use the C<':encoding(...)'> layer
  376.  
  377.     open(my $epic,'<:encoding(iso-8859-7)','iliad.greek');
  378.     my $line_of_unicode = <$epic>;
  379.  
  380. These methods install a transparent filter on the I/O stream that
  381. converts data from the specified encoding when it is read in from the
  382. stream.  The result is always Unicode.
  383.  
  384. The L<open> pragma affects all the C<open()> calls after the pragma by
  385. setting default layers.  If you want to affect only certain
  386. streams, use explicit layers directly in the C<open()> call.
  387.  
  388. You can switch encodings on an already opened stream by using
  389. C<binmode()>; see L<perlfunc/binmode>.
  390.  
  391. The C<:locale> does not currently (as of Perl 5.8.0) work with
  392. C<open()> and C<binmode()>, only with the C<open> pragma.  The
  393. C<:utf8> and C<:encoding(...)> methods do work with all of C<open()>,
  394. C<binmode()>, and the C<open> pragma.
  395.  
  396. Similarly, you may use these I/O layers on output streams to
  397. automatically convert Unicode to the specified encoding when it is
  398. written to the stream. For example, the following snippet copies the
  399. contents of the file "text.jis" (encoded as ISO-2022-JP, aka JIS) to
  400. the file "text.utf8", encoded as UTF-8:
  401.  
  402.     open(my $nihongo, '<:encoding(iso-2022-jp)', 'text.jis');
  403.     open(my $unicode, '>:utf8',                  'text.utf8');
  404.     while (<$nihongo>) { print $unicode $_ }
  405.  
  406. The naming of encodings, both by the C<open()> and by the C<open>
  407. pragma, is similar to the C<encoding> pragma in that it allows for
  408. flexible names: C<koi8-r> and C<KOI8R> will both be understood.
  409.  
  410. Common encodings recognized by ISO, MIME, IANA, and various other
  411. standardisation organisations are recognised; for a more detailed
  412. list see L<Encode::Supported>.
  413.  
  414. C<read()> reads characters and returns the number of characters.
  415. C<seek()> and C<tell()> operate on byte counts, as do C<sysread()>
  416. and C<sysseek()>.
  417.  
  418. Notice that because of the default behaviour of not doing any
  419. conversion upon input if there is no default layer,
  420. it is easy to mistakenly write code that keeps on expanding a file
  421. by repeatedly encoding the data:
  422.  
  423.     # BAD CODE WARNING
  424.     open F, "file";
  425.     local $/; ## read in the whole file of 8-bit characters
  426.     $t = <F>;
  427.     close F;
  428.     open F, ">:utf8", "file";
  429.     print F $t; ## convert to UTF-8 on output
  430.     close F;
  431.  
  432. If you run this code twice, the contents of the F<file> will be twice
  433. UTF-8 encoded.  A C<use open ':utf8'> would have avoided the bug, or
  434. explicitly opening also the F<file> for input as UTF-8.
  435.  
  436. B<NOTE>: the C<:utf8> and C<:encoding> features work only if your
  437. Perl has been built with the new PerlIO feature (which is the default
  438. on most systems).
  439.  
  440. =head2 Displaying Unicode As Text
  441.  
  442. Sometimes you might want to display Perl scalars containing Unicode as
  443. simple ASCII (or EBCDIC) text.  The following subroutine converts
  444. its argument so that Unicode characters with code points greater than
  445. 255 are displayed as C<\x{...}>, control characters (like C<\n>) are
  446. displayed as C<\x..>, and the rest of the characters as themselves:
  447.  
  448.    sub nice_string {
  449.        join("",
  450.          map { $_ > 255 ?                  # if wide character...
  451.                sprintf("\\x{%04X}", $_) :  # \x{...}
  452.                chr($_) =~ /[[:cntrl:]]/ ?  # else if control character ...
  453.                sprintf("\\x%02X", $_) :    # \x..
  454.                quotemeta(chr($_))          # else quoted or as themselves
  455.          } unpack("U*", $_[0]));           # unpack Unicode characters
  456.    }
  457.  
  458. For example,
  459.  
  460.    nice_string("foo\x{100}bar\n")
  461.  
  462. returns the string
  463.  
  464.    'foo\x{0100}bar\x0A'
  465.  
  466. which is ready to be printed.
  467.  
  468. =head2 Special Cases
  469.  
  470. =over 4
  471.  
  472. =item *
  473.  
  474. Bit Complement Operator ~ And vec()
  475.  
  476. The bit complement operator C<~> may produce surprising results if
  477. used on strings containing characters with ordinal values above
  478. 255. In such a case, the results are consistent with the internal
  479. encoding of the characters, but not with much else. So don't do
  480. that. Similarly for C<vec()>: you will be operating on the
  481. internally-encoded bit patterns of the Unicode characters, not on
  482. the code point values, which is very probably not what you want.
  483.  
  484. =item *
  485.  
  486. Peeking At Perl's Internal Encoding
  487.  
  488. Normal users of Perl should never care how Perl encodes any particular
  489. Unicode string (because the normal ways to get at the contents of a
  490. string with Unicode--via input and output--should always be via
  491. explicitly-defined I/O layers). But if you must, there are two
  492. ways of looking behind the scenes.
  493.  
  494. One way of peeking inside the internal encoding of Unicode characters
  495. is to use C<unpack("C*", ...> to get the bytes or C<unpack("H*", ...)>
  496. to display the bytes:
  497.  
  498.     # this prints  c4 80  for the UTF-8 bytes 0xc4 0x80
  499.     print join(" ", unpack("H*", pack("U", 0x100))), "\n";
  500.  
  501. Yet another way would be to use the Devel::Peek module:
  502.  
  503.     perl -MDevel::Peek -e 'Dump(chr(0x100))'
  504.  
  505. That shows the C<UTF8> flag in FLAGS and both the UTF-8 bytes
  506. and Unicode characters in C<PV>.  See also later in this document
  507. the discussion about the C<utf8::is_utf8()> function.
  508.  
  509. =back
  510.  
  511. =head2 Advanced Topics
  512.  
  513. =over 4
  514.  
  515. =item *
  516.  
  517. String Equivalence
  518.  
  519. The question of string equivalence turns somewhat complicated
  520. in Unicode: what do you mean by "equal"?
  521.  
  522. (Is C<LATIN CAPITAL LETTER A WITH ACUTE> equal to
  523. C<LATIN CAPITAL LETTER A>?)
  524.  
  525. The short answer is that by default Perl compares equivalence (C<eq>,
  526. C<ne>) based only on code points of the characters.  In the above
  527. case, the answer is no (because 0x00C1 != 0x0041).  But sometimes, any
  528. CAPITAL LETTER As should be considered equal, or even As of any case.
  529.  
  530. The long answer is that you need to consider character normalization
  531. and casing issues: see L<Unicode::Normalize>, Unicode Technical
  532. Reports #15 and #21, I<Unicode Normalization Forms> and I<Case
  533. Mappings>, http://www.unicode.org/unicode/reports/tr15/ and 
  534. http://www.unicode.org/unicode/reports/tr21/ 
  535.  
  536. As of Perl 5.8.0, the "Full" case-folding of I<Case
  537. Mappings/SpecialCasing> is implemented.
  538.  
  539. =item *
  540.  
  541. String Collation
  542.  
  543. People like to see their strings nicely sorted--or as Unicode
  544. parlance goes, collated.  But again, what do you mean by collate?
  545.  
  546. (Does C<LATIN CAPITAL LETTER A WITH ACUTE> come before or after
  547. C<LATIN CAPITAL LETTER A WITH GRAVE>?)
  548.  
  549. The short answer is that by default, Perl compares strings (C<lt>,
  550. C<le>, C<cmp>, C<ge>, C<gt>) based only on the code points of the
  551. characters.  In the above case, the answer is "after", since
  552. C<0x00C1> > C<0x00C0>.
  553.  
  554. The long answer is that "it depends", and a good answer cannot be
  555. given without knowing (at the very least) the language context.
  556. See L<Unicode::Collate>, and I<Unicode Collation Algorithm>
  557. http://www.unicode.org/unicode/reports/tr10/
  558.  
  559. =back
  560.  
  561. =head2 Miscellaneous
  562.  
  563. =over 4
  564.  
  565. =item *
  566.  
  567. Character Ranges and Classes
  568.  
  569. Character ranges in regular expression character classes (C</[a-z]/>)
  570. and in the C<tr///> (also known as C<y///>) operator are not magically
  571. Unicode-aware.  What this means that C<[A-Za-z]> will not magically start
  572. to mean "all alphabetic letters"; not that it does mean that even for
  573. 8-bit characters, you should be using C</[[:alpha:]]/> in that case.
  574.  
  575. For specifying character classes like that in regular expressions,
  576. you can use the various Unicode properties--C<\pL>, or perhaps
  577. C<\p{Alphabetic}>, in this particular case.  You can use Unicode
  578. code points as the end points of character ranges, but there is no
  579. magic associated with specifying a certain range.  For further
  580. information--there are dozens of Unicode character classes--see
  581. L<perlunicode>.
  582.  
  583. =item *
  584.  
  585. String-To-Number Conversions
  586.  
  587. Unicode does define several other decimal--and numeric--characters
  588. besides the familiar 0 to 9, such as the Arabic and Indic digits.
  589. Perl does not support string-to-number conversion for digits other
  590. than ASCII 0 to 9 (and ASCII a to f for hexadecimal).
  591.  
  592. =back
  593.  
  594. =head2 Questions With Answers
  595.  
  596. =over 4
  597.  
  598. =item *
  599.  
  600. Will My Old Scripts Break?
  601.  
  602. Very probably not.  Unless you are generating Unicode characters
  603. somehow, old behaviour should be preserved.  About the only behaviour
  604. that has changed and which could start generating Unicode is the old
  605. behaviour of C<chr()> where supplying an argument more than 255
  606. produced a character modulo 255.  C<chr(300)>, for example, was equal
  607. to C<chr(45)> or "-" (in ASCII), now it is LATIN CAPITAL LETTER I WITH
  608. BREVE.
  609.  
  610. =item *
  611.  
  612. How Do I Make My Scripts Work With Unicode?
  613.  
  614. Very little work should be needed since nothing changes until you
  615. generate Unicode data.  The most important thing is getting input as
  616. Unicode; for that, see the earlier I/O discussion.
  617.  
  618. =item *
  619.  
  620. How Do I Know Whether My String Is In Unicode?
  621.  
  622. You shouldn't care.  No, you really shouldn't.  No, really.  If you
  623. have to care--beyond the cases described above--it means that we
  624. didn't get the transparency of Unicode quite right.
  625.  
  626. Okay, if you insist:
  627.  
  628.     print utf8::is_utf8($string) ? 1 : 0, "\n";
  629.  
  630. But note that this doesn't mean that any of the characters in the
  631. string are necessary UTF-8 encoded, or that any of the characters have
  632. code points greater than 0xFF (255) or even 0x80 (128), or that the
  633. string has any characters at all.  All the C<is_utf8()> does is to
  634. return the value of the internal "utf8ness" flag attached to the
  635. C<$string>.  If the flag is off, the bytes in the scalar are interpreted
  636. as a single byte encoding.  If the flag is on, the bytes in the scalar
  637. are interpreted as the (multi-byte, variable-length) UTF-8 encoded code
  638. points of the characters.  Bytes added to an UTF-8 encoded string are
  639. automatically upgraded to UTF-8.  If mixed non-UTF-8 and UTF-8 scalars
  640. are merged (double-quoted interpolation, explicit concatenation, and
  641. printf/sprintf parameter substitution), the result will be UTF-8 encoded
  642. as if copies of the byte strings were upgraded to UTF-8: for example,
  643.  
  644.     $a = "ab\x80c";
  645.     $b = "\x{100}";
  646.     print "$a = $b\n";
  647.  
  648. the output string will be UTF-8-encoded C<ab\x80c = \x{100}\n>, but
  649. C<$a> will stay byte-encoded.
  650.  
  651. Sometimes you might really need to know the byte length of a string
  652. instead of the character length. For that use either the
  653. C<Encode::encode_utf8()> function or the C<bytes> pragma and its only
  654. defined function C<length()>:
  655.  
  656.     my $unicode = chr(0x100);
  657.     print length($unicode), "\n"; # will print 1
  658.     require Encode;
  659.     print length(Encode::encode_utf8($unicode)), "\n"; # will print 2
  660.     use bytes;
  661.     print length($unicode), "\n"; # will also print 2
  662.                                   # (the 0xC4 0x80 of the UTF-8)
  663.  
  664. =item *
  665.  
  666. How Do I Detect Data That's Not Valid In a Particular Encoding?
  667.  
  668. Use the C<Encode> package to try converting it.
  669. For example,
  670.  
  671.     use Encode 'decode_utf8';
  672.     if (decode_utf8($string_of_bytes_that_I_think_is_utf8)) {
  673.         # valid
  674.     } else {
  675.         # invalid
  676.     }
  677.  
  678. For UTF-8 only, you can use:
  679.  
  680.     use warnings;
  681.     @chars = unpack("U0U*", $string_of_bytes_that_I_think_is_utf8);
  682.  
  683. If invalid, a C<Malformed UTF-8 character (byte 0x##) in unpack>
  684. warning is produced. The "U0" means "expect strictly UTF-8 encoded
  685. Unicode".  Without that the C<unpack("U*", ...)> would accept also
  686. data like C<chr(0xFF>), similarly to the C<pack> as we saw earlier.
  687.  
  688. =item *
  689.  
  690. How Do I Convert Binary Data Into a Particular Encoding, Or Vice Versa?
  691.  
  692. This probably isn't as useful as you might think.
  693. Normally, you shouldn't need to.
  694.  
  695. In one sense, what you are asking doesn't make much sense: encodings
  696. are for characters, and binary data are not "characters", so converting
  697. "data" into some encoding isn't meaningful unless you know in what
  698. character set and encoding the binary data is in, in which case it's
  699. not just binary data, now is it?
  700.  
  701. If you have a raw sequence of bytes that you know should be
  702. interpreted via a particular encoding, you can use C<Encode>:
  703.  
  704.     use Encode 'from_to';
  705.     from_to($data, "iso-8859-1", "utf-8"); # from latin-1 to utf-8
  706.  
  707. The call to C<from_to()> changes the bytes in C<$data>, but nothing
  708. material about the nature of the string has changed as far as Perl is
  709. concerned.  Both before and after the call, the string C<$data>
  710. contains just a bunch of 8-bit bytes. As far as Perl is concerned,
  711. the encoding of the string remains as "system-native 8-bit bytes".
  712.  
  713. You might relate this to a fictional 'Translate' module:
  714.  
  715.    use Translate;
  716.    my $phrase = "Yes";
  717.    Translate::from_to($phrase, 'english', 'deutsch');
  718.    ## phrase now contains "Ja"
  719.  
  720. The contents of the string changes, but not the nature of the string.
  721. Perl doesn't know any more after the call than before that the
  722. contents of the string indicates the affirmative.
  723.  
  724. Back to converting data.  If you have (or want) data in your system's
  725. native 8-bit encoding (e.g. Latin-1, EBCDIC, etc.), you can use
  726. pack/unpack to convert to/from Unicode.
  727.  
  728.     $native_string  = pack("C*", unpack("U*", $Unicode_string));
  729.     $Unicode_string = pack("U*", unpack("C*", $native_string));
  730.  
  731. If you have a sequence of bytes you B<know> is valid UTF-8,
  732. but Perl doesn't know it yet, you can make Perl a believer, too:
  733.  
  734.     use Encode 'decode_utf8';
  735.     $Unicode = decode_utf8($bytes);
  736.  
  737. You can convert well-formed UTF-8 to a sequence of bytes, but if
  738. you just want to convert random binary data into UTF-8, you can't.
  739. B<Any random collection of bytes isn't well-formed UTF-8>.  You can
  740. use C<unpack("C*", $string)> for the former, and you can create
  741. well-formed Unicode data by C<pack("U*", 0xff, ...)>.
  742.  
  743. =item *
  744.  
  745. How Do I Display Unicode?  How Do I Input Unicode?
  746.  
  747. See http://www.alanwood.net/unicode/ and
  748. http://www.cl.cam.ac.uk/~mgk25/unicode.html
  749.  
  750. =item *
  751.  
  752. How Does Unicode Work With Traditional Locales?
  753.  
  754. In Perl, not very well.  Avoid using locales through the C<locale>
  755. pragma.  Use only one or the other.  But see L<perlrun> for the
  756. description of the C<-C> switch and its environment counterpart,
  757. C<$ENV{PERL_UNICODE}> to see how to enable various Unicode features,
  758. for example by using locale settings.
  759.  
  760. =back
  761.  
  762. =head2 Hexadecimal Notation
  763.  
  764. The Unicode standard prefers using hexadecimal notation because
  765. that more clearly shows the division of Unicode into blocks of 256 characters.
  766. Hexadecimal is also simply shorter than decimal.  You can use decimal
  767. notation, too, but learning to use hexadecimal just makes life easier
  768. with the Unicode standard.  The C<U+HHHH> notation uses hexadecimal,
  769. for example.
  770.  
  771. The C<0x> prefix means a hexadecimal number, the digits are 0-9 I<and>
  772. a-f (or A-F, case doesn't matter).  Each hexadecimal digit represents
  773. four bits, or half a byte.  C<print 0x..., "\n"> will show a
  774. hexadecimal number in decimal, and C<printf "%x\n", $decimal> will
  775. show a decimal number in hexadecimal.  If you have just the
  776. "hex digits" of a hexadecimal number, you can use the C<hex()> function.
  777.  
  778.     print 0x0009, "\n";    # 9
  779.     print 0x000a, "\n";    # 10
  780.     print 0x000f, "\n";    # 15
  781.     print 0x0010, "\n";    # 16
  782.     print 0x0011, "\n";    # 17
  783.     print 0x0100, "\n";    # 256
  784.  
  785.     print 0x0041, "\n";    # 65
  786.  
  787.     printf "%x\n",  65;    # 41
  788.     printf "%#x\n", 65;    # 0x41
  789.  
  790.     print hex("41"), "\n"; # 65
  791.  
  792. =head2 Further Resources
  793.  
  794. =over 4
  795.  
  796. =item *
  797.  
  798. Unicode Consortium
  799.  
  800.     http://www.unicode.org/
  801.  
  802. =item *
  803.  
  804. Unicode FAQ
  805.  
  806.     http://www.unicode.org/unicode/faq/
  807.  
  808. =item *
  809.  
  810. Unicode Glossary
  811.  
  812.     http://www.unicode.org/glossary/
  813.  
  814. =item *
  815.  
  816. Unicode Useful Resources
  817.  
  818.     http://www.unicode.org/unicode/onlinedat/resources.html
  819.  
  820. =item *
  821.  
  822. Unicode and Multilingual Support in HTML, Fonts, Web Browsers and Other Applications
  823.  
  824.     http://www.alanwood.net/unicode/
  825.  
  826. =item *
  827.  
  828. UTF-8 and Unicode FAQ for Unix/Linux
  829.  
  830.     http://www.cl.cam.ac.uk/~mgk25/unicode.html
  831.  
  832. =item *
  833.  
  834. Legacy Character Sets
  835.  
  836.     http://www.czyborra.com/
  837.     http://www.eki.ee/letter/
  838.  
  839. =item *
  840.  
  841. The Unicode support files live within the Perl installation in the
  842. directory
  843.  
  844.     $Config{installprivlib}/unicore
  845.  
  846. in Perl 5.8.0 or newer, and 
  847.  
  848.     $Config{installprivlib}/unicode
  849.  
  850. in the Perl 5.6 series.  (The renaming to F<lib/unicore> was done to
  851. avoid naming conflicts with lib/Unicode in case-insensitive filesystems.)
  852. The main Unicode data file is F<UnicodeData.txt> (or F<Unicode.301> in
  853. Perl 5.6.1.)  You can find the C<$Config{installprivlib}> by
  854.  
  855.     perl "-V:installprivlib"
  856.  
  857. You can explore various information from the Unicode data files using
  858. the C<Unicode::UCD> module.
  859.  
  860. =back
  861.  
  862. =head1 UNICODE IN OLDER PERLS
  863.  
  864. If you cannot upgrade your Perl to 5.8.0 or later, you can still
  865. do some Unicode processing by using the modules C<Unicode::String>,
  866. C<Unicode::Map8>, and C<Unicode::Map>, available from CPAN.
  867. If you have the GNU recode installed, you can also use the
  868. Perl front-end C<Convert::Recode> for character conversions.
  869.  
  870. The following are fast conversions from ISO 8859-1 (Latin-1) bytes
  871. to UTF-8 bytes and back, the code works even with older Perl 5 versions.
  872.  
  873.     # ISO 8859-1 to UTF-8
  874.     s/([\x80-\xFF])/chr(0xC0|ord($1)>>6).chr(0x80|ord($1)&0x3F)/eg;
  875.  
  876.     # UTF-8 to ISO 8859-1
  877.     s/([\xC2\xC3])([\x80-\xBF])/chr(ord($1)<<6&0xC0|ord($2)&0x3F)/eg;
  878.  
  879. =head1 SEE ALSO
  880.  
  881. L<perlunicode>, L<Encode>, L<encoding>, L<open>, L<utf8>, L<bytes>,
  882. L<perlretut>, L<perlrun>, L<Unicode::Collate>, L<Unicode::Normalize>,
  883. L<Unicode::UCD>
  884.  
  885. =head1 ACKNOWLEDGMENTS
  886.  
  887. Thanks to the kind readers of the perl5-porters@perl.org,
  888. perl-unicode@perl.org, linux-utf8@nl.linux.org, and unicore@unicode.org
  889. mailing lists for their valuable feedback.
  890.  
  891. =head1 AUTHOR, COPYRIGHT, AND LICENSE
  892.  
  893. Copyright 2001-2002 Jarkko Hietaniemi E<lt>jhi@iki.fiE<gt>
  894.  
  895. This document may be distributed under the same terms as Perl itself.
  896.