home *** CD-ROM | disk | FTP | other *** search
/ PC World 2004 November / PCWorld_2004-11_cd.bin / software / topware / activeperl / ActivePerl-5.8.4.810-MSWin32-x86.exe / ActivePerl-5.8.4.810 / Perl / lib / encoding.pm < prev    next >
Text File  |  2004-06-01  |  16KB  |  527 lines

  1. # $Id: encoding.pm,v 1.48 2003/12/29 02:47:16 dankogai Exp dankogai $
  2. package encoding;
  3. our $VERSION = do { my @r = (q$Revision: 1.48 $ =~ /\d+/g); sprintf "%d."."%02d" x $#r, @r };
  4.  
  5. use Encode;
  6. use strict;
  7. sub DEBUG () { 0 }
  8.  
  9. BEGIN {
  10.     if (ord("A") == 193) {
  11.     require Carp;
  12.     Carp::croak("encoding pragma does not support EBCDIC platforms");
  13.     }
  14. }
  15.  
  16. our $HAS_PERLIO = 0;
  17. eval { require PerlIO::encoding };
  18. unless ($@){
  19.     $HAS_PERLIO = (PerlIO::encoding->VERSION >= 0.02);
  20. }
  21.  
  22. sub _exception{
  23.     my $name = shift;
  24.     $] > 5.008 and return 0;               # 5.8.1 or higher then no
  25.     my %utfs = map {$_=>1}
  26.     qw(utf8 UCS-2BE UCS-2LE UTF-16 UTF-16BE UTF-16LE
  27.        UTF-32 UTF-32BE UTF-32LE);
  28.     $utfs{$name} or return 0;               # UTFs or no
  29.     require Config; Config->import(); our %Config;
  30.     return $Config{perl_patchlevel} ? 0 : 1 # maintperl then no
  31. }
  32.  
  33. sub import {
  34.     my $class = shift;
  35.     my $name  = shift;
  36.     my %arg = @_;
  37.     $name ||= $ENV{PERL_ENCODING};
  38.     my $enc = find_encoding($name);
  39.     unless (defined $enc) {
  40.     require Carp;
  41.     Carp::croak("Unknown encoding '$name'");
  42.     }
  43.     $name = $enc->name; # canonize
  44.     unless ($arg{Filter}) {
  45.     DEBUG and warn "_exception($name) = ", _exception($name);
  46.     _exception($name) or ${^ENCODING} = $enc;
  47.     $HAS_PERLIO or return 1;
  48.     }else{
  49.     defined(${^ENCODING}) and undef ${^ENCODING};
  50.     # implicitly 'use utf8'
  51.     require utf8; # to fetch $utf8::hint_bits;
  52.     $^H |= $utf8::hint_bits;
  53.     eval {
  54.         require Filter::Util::Call ;
  55.         Filter::Util::Call->import ;
  56.         filter_add(sub{
  57.                my $status = filter_read();
  58.                            if ($status > 0){
  59.                    $_ = $enc->decode($_, 1);
  60.                    DEBUG and warn $_;
  61.                }
  62.                $status ;
  63.                });
  64.     };
  65.     }    DEBUG and warn "Filter installed";
  66.     defined ${^UNICODE} and ${^UNICODE} != 0 and return 1;
  67.     for my $h (qw(STDIN STDOUT)){
  68.     if ($arg{$h}){
  69.         unless (defined find_encoding($arg{$h})) {
  70.         require Carp;
  71.         Carp::croak("Unknown encoding for $h, '$arg{$h}'");
  72.         }
  73.         eval { binmode($h, ":raw :encoding($arg{$h})") };
  74.     }else{
  75.         unless (exists $arg{$h}){
  76.         eval { 
  77.             no warnings 'uninitialized';
  78.             binmode($h, ":raw :encoding($name)");
  79.         };
  80.         }
  81.     }
  82.     if ($@){
  83.         require Carp;
  84.         Carp::croak($@);
  85.     }
  86.     }
  87.     return 1; # I doubt if we need it, though
  88. }
  89.  
  90. sub unimport{
  91.     no warnings;
  92.     undef ${^ENCODING};
  93.     if ($HAS_PERLIO){
  94.     binmode(STDIN,  ":raw");
  95.     binmode(STDOUT, ":raw");
  96.     }else{
  97.     binmode(STDIN);
  98.     binmode(STDOUT);
  99.     }
  100.     if ($INC{"Filter/Util/Call.pm"}){
  101.     eval { filter_del() };
  102.     }
  103. }
  104.  
  105. 1;
  106. __END__
  107.  
  108. =pod
  109.  
  110. =head1 NAME
  111.  
  112. encoding - allows you to write your script in non-ascii or non-utf8
  113.  
  114. =head1 SYNOPSIS
  115.  
  116.   use encoding "greek";  # Perl like Greek to you?
  117.   use encoding "euc-jp"; # Jperl!
  118.  
  119.   # or you can even do this if your shell supports your native encoding
  120.  
  121.   perl -Mencoding=latin2 -e '...' # Feeling centrally European?
  122.   perl -Mencoding=euc-kr -e '...' # Or Korean?
  123.  
  124.   # more control
  125.  
  126.   # A simple euc-cn => utf-8 converter
  127.   use encoding "euc-cn", STDOUT => "utf8";  while(<>){print};
  128.  
  129.   # "no encoding;" supported (but not scoped!)
  130.   no encoding;
  131.  
  132.   # an alternate way, Filter
  133.   use encoding "euc-jp", Filter=>1;
  134.   # now you can use kanji identifiers -- in euc-jp!
  135.  
  136. =head1 ABSTRACT
  137.  
  138. Let's start with a bit of history: Perl 5.6.0 introduced Unicode
  139. support.  You could apply C<substr()> and regexes even to complex CJK
  140. characters -- so long as the script was written in UTF-8.  But back
  141. then, text editors that supported UTF-8 were still rare and many users
  142. instead chose to write scripts in legacy encodings, giving up a whole
  143. new feature of Perl 5.6.
  144.  
  145. Rewind to the future: starting from perl 5.8.0 with the B<encoding>
  146. pragma, you can write your script in any encoding you like (so long
  147. as the C<Encode> module supports it) and still enjoy Unicode support.
  148. This pragma achieves that by doing the following:
  149.  
  150. =over
  151.  
  152. =item *
  153.  
  154. Internally converts all literals (C<q//,qq//,qr//,qw///, qx//>) from
  155. the encoding specified to utf8.  In Perl 5.8.1 and later, literals in
  156. C<tr///> and C<DATA> pseudo-filehandle are also converted.
  157.  
  158. =item *
  159.  
  160. Changing PerlIO layers of C<STDIN> and C<STDOUT> to the encoding
  161.  specified.
  162.  
  163. =back
  164.  
  165. =head2 Literal Conversions
  166.  
  167. You can write code in EUC-JP as follows:
  168.  
  169.   my $Rakuda = "\xF1\xD1\xF1\xCC"; # Camel in Kanji
  170.                #<-char-><-char->   # 4 octets
  171.   s/\bCamel\b/$Rakuda/;
  172.  
  173. And with C<use encoding "euc-jp"> in effect, it is the same thing as
  174. the code in UTF-8:
  175.  
  176.   my $Rakuda = "\x{99F1}\x{99DD}"; # two Unicode Characters
  177.   s/\bCamel\b/$Rakuda/;
  178.  
  179. =head2 PerlIO layers for C<STD(IN|OUT)>
  180.  
  181. The B<encoding> pragma also modifies the filehandle layers of
  182. STDIN and STDOUT to the specified encoding.  Therefore,
  183.  
  184.   use encoding "euc-jp";
  185.   my $message = "Camel is the symbol of perl.\n";
  186.   my $Rakuda = "\xF1\xD1\xF1\xCC"; # Camel in Kanji
  187.   $message =~ s/\bCamel\b/$Rakuda/;
  188.   print $message;
  189.  
  190. Will print "\xF1\xD1\xF1\xCC is the symbol of perl.\n",
  191. not "\x{99F1}\x{99DD} is the symbol of perl.\n".
  192.  
  193. You can override this by giving extra arguments; see below.
  194.  
  195. =head2 Implicit upgrading for byte strings
  196.  
  197. By default, if strings operating under byte semantics and strings
  198. with Unicode character data are concatenated, the new string will
  199. be created by decoding the byte strings as I<ISO 8859-1 (Latin-1)>.
  200.  
  201. The B<encoding> pragma changes this to use the specified encoding
  202. instead.  For example:
  203.  
  204.     use encoding 'utf8';
  205.     my $string = chr(20000); # a Unicode string
  206.     utf8::encode($string);   # now it's a UTF-8 encoded byte string
  207.     # concatenate with another Unicode string
  208.     print length($string . chr(20000));
  209.  
  210. Will print C<2>, because C<$string> is upgraded as UTF-8.  Without
  211. C<use encoding 'utf8';>, it will print C<4> instead, since C<$string>
  212. is three octets when interpreted as Latin-1.
  213.  
  214. =head1 FEATURES THAT REQUIRE 5.8.1
  215.  
  216. Some of the features offered by this pragma requires perl 5.8.1.  Most
  217. of these are done by Inaba Hiroto.  Any other features and changes
  218. are good for 5.8.0.
  219.  
  220. =over
  221.  
  222. =item "NON-EUC" doublebyte encodings
  223.  
  224. Because perl needs to parse script before applying this pragma, such
  225. encodings as Shift_JIS and Big-5 that may contain '\' (BACKSLASH;
  226. \x5c) in the second byte fails because the second byte may
  227. accidentally escape the quoting character that follows.  Perl 5.8.1
  228. or later fixes this problem.
  229.  
  230. =item tr// 
  231.  
  232. C<tr//> was overlooked by Perl 5 porters when they released perl 5.8.0
  233. See the section below for details.
  234.  
  235. =item DATA pseudo-filehandle
  236.  
  237. Another feature that was overlooked was C<DATA>. 
  238.  
  239. =back
  240.  
  241. =head1 USAGE
  242.  
  243. =over 4
  244.  
  245. =item use encoding [I<ENCNAME>] ;
  246.  
  247. Sets the script encoding to I<ENCNAME>.  And unless ${^UNICODE} 
  248. exists and non-zero, PerlIO layers of STDIN and STDOUT are set to
  249. ":encoding(I<ENCNAME>)".
  250.  
  251. Note that STDERR WILL NOT be changed.
  252.  
  253. Also note that non-STD file handles remain unaffected.  Use C<use
  254. open> or C<binmode> to change layers of those.
  255.  
  256. If no encoding is specified, the environment variable L<PERL_ENCODING>
  257. is consulted.  If no encoding can be found, the error C<Unknown encoding
  258. 'I<ENCNAME>'> will be thrown.
  259.  
  260. =item use encoding I<ENCNAME> [ STDIN =E<gt> I<ENCNAME_IN> ...] ;
  261.  
  262. You can also individually set encodings of STDIN and STDOUT via the
  263. C<< STDIN => I<ENCNAME> >> form.  In this case, you cannot omit the
  264. first I<ENCNAME>.  C<< STDIN => undef >> turns the IO transcoding
  265. completely off.
  266.  
  267. When ${^UNICODE} exists and non-zero, these options will completely
  268. ignored.  ${^UNICODE} is a variable introduced in perl 5.8.1.  See
  269. L<perlrun> see L<perlvar/"${^UNICODE}"> and L<perlrun/"-C"> for
  270. details (perl 5.8.1 and later).
  271.  
  272. =item use encoding I<ENCNAME> Filter=E<gt>1;
  273.  
  274. This turns the encoding pragma into a source filter.  While the
  275. default approach just decodes interpolated literals (in qq() and
  276. qr()), this will apply a source filter to the entire source code.  See
  277. L</"The Filter Option"> below for details.
  278.  
  279. =item no encoding;
  280.  
  281. Unsets the script encoding. The layers of STDIN, STDOUT are
  282. reset to ":raw" (the default unprocessed raw stream of bytes).
  283.  
  284. =back
  285.  
  286. =head1 The Filter Option
  287.  
  288. The magic of C<use encoding> is not applied to the names of
  289. identifiers.  In order to make C<${"\x{4eba}"}++> ($human++, where human
  290. is a single Han ideograph) work, you still need to write your script
  291. in UTF-8 -- or use a source filter.  That's what 'Filter=>1' does.
  292.  
  293. What does this mean?  Your source code behaves as if it is written in
  294. UTF-8 with 'use utf8' in effect.  So even if your editor only supports
  295. Shift_JIS, for example, you can still try examples in Chapter 15 of
  296. C<Programming Perl, 3rd Ed.>.  For instance, you can use UTF-8
  297. identifiers.
  298.  
  299. This option is significantly slower and (as of this writing) non-ASCII
  300. identifiers are not very stable WITHOUT this option and with the
  301. source code written in UTF-8.
  302.  
  303. =head2 Filter-related changes at Encode version 1.87
  304.  
  305. =over
  306.  
  307. =item *
  308.  
  309. The Filter option now sets STDIN and STDOUT like non-filter options.
  310. And C<< STDIN=>I<ENCODING> >> and C<< STDOUT=>I<ENCODING> >> work like
  311. non-filter version.
  312.  
  313. =item *
  314.  
  315. C<use utf8> is implicitly declared so you no longer have to C<use
  316. utf8> to C<${"\x{4eba}"}++>.
  317.  
  318. =back
  319.  
  320. =head1 CAVEATS
  321.  
  322. =head2 NOT SCOPED
  323.  
  324. The pragma is a per script, not a per block lexical.  Only the last
  325. C<use encoding> or C<no encoding> matters, and it affects 
  326. B<the whole script>.  However, the <no encoding> pragma is supported and 
  327. B<use encoding> can appear as many times as you want in a given script. 
  328. The multiple use of this pragma is discouraged.
  329.  
  330. By the same reason, the use this pragma inside modules is also
  331. discouraged (though not as strongly discouranged as the case above.  
  332. See below).
  333.  
  334. If you still have to write a module with this pragma, be very careful
  335. of the load order.  See the codes below;
  336.  
  337.   # called module
  338.   package Module_IN_BAR;
  339.   use encoding "bar";
  340.   # stuff in "bar" encoding here
  341.   1;
  342.  
  343.   # caller script
  344.   use encoding "foo"
  345.   use Module_IN_BAR;
  346.   # surprise! use encoding "bar" is in effect.
  347.  
  348. The best way to avoid this oddity is to use this pragma RIGHT AFTER
  349. other modules are loaded.  i.e.
  350.  
  351.   use Module_IN_BAR;
  352.   use encoding "foo";
  353.  
  354. =head2 DO NOT MIX MULTIPLE ENCODINGS
  355.  
  356. Notice that only literals (string or regular expression) having only
  357. legacy code points are affected: if you mix data like this
  358.  
  359.     \xDF\x{100}
  360.  
  361. the data is assumed to be in (Latin 1 and) Unicode, not in your native
  362. encoding.  In other words, this will match in "greek":
  363.  
  364.     "\xDF" =~ /\x{3af}/
  365.  
  366. but this will not
  367.  
  368.     "\xDF\x{100}" =~ /\x{3af}\x{100}/
  369.  
  370. since the C<\xDF> (ISO 8859-7 GREEK SMALL LETTER IOTA WITH TONOS) on
  371. the left will B<not> be upgraded to C<\x{3af}> (Unicode GREEK SMALL
  372. LETTER IOTA WITH TONOS) because of the C<\x{100}> on the left.  You
  373. should not be mixing your legacy data and Unicode in the same string.
  374.  
  375. This pragma also affects encoding of the 0x80..0xFF code point range:
  376. normally characters in that range are left as eight-bit bytes (unless
  377. they are combined with characters with code points 0x100 or larger,
  378. in which case all characters need to become UTF-8 encoded), but if
  379. the C<encoding> pragma is present, even the 0x80..0xFF range always
  380. gets UTF-8 encoded.
  381.  
  382. After all, the best thing about this pragma is that you don't have to
  383. resort to \x{....} just to spell your name in a native encoding.
  384. So feel free to put your strings in your encoding in quotes and
  385. regexes.
  386.  
  387. =head2 tr/// with ranges
  388.  
  389. The B<encoding> pragma works by decoding string literals in
  390. C<q//,qq//,qr//,qw///, qx//> and so forth.  In perl 5.8.0, this
  391. does not apply to C<tr///>.  Therefore,
  392.  
  393.   use encoding 'euc-jp';
  394.   #....
  395.   $kana =~ tr/\xA4\xA1-\xA4\xF3/\xA5\xA1-\xA5\xF3/;
  396.   #           -------- -------- -------- --------
  397.  
  398. Does not work as
  399.  
  400.   $kana =~ tr/\x{3041}-\x{3093}/\x{30a1}-\x{30f3}/;
  401.  
  402. =over
  403.  
  404. =item Legend of characters above
  405.  
  406.   utf8     euc-jp   charnames::viacode()
  407.   -----------------------------------------
  408.   \x{3041} \xA4\xA1 HIRAGANA LETTER SMALL A
  409.   \x{3093} \xA4\xF3 HIRAGANA LETTER N
  410.   \x{30a1} \xA5\xA1 KATAKANA LETTER SMALL A
  411.   \x{30f3} \xA5\xF3 KATAKANA LETTER N
  412.  
  413. =back
  414.  
  415. This counterintuitive behavior has been fixed in perl 5.8.1.
  416.  
  417. =head3 workaround to tr///;
  418.  
  419. In perl 5.8.0, you can work around as follows;
  420.  
  421.   use encoding 'euc-jp';
  422.   #  ....
  423.   eval qq{ \$kana =~ tr/\xA4\xA1-\xA4\xF3/\xA5\xA1-\xA5\xF3/ };
  424.  
  425. Note the C<tr//> expression is surrounded by C<qq{}>.  The idea behind
  426. is the same as classic idiom that makes C<tr///> 'interpolate'.
  427.  
  428.    tr/$from/$to/;            # wrong!
  429.    eval qq{ tr/$from/$to/ }; # workaround.
  430.  
  431. Nevertheless, in case of B<encoding> pragma even C<q//> is affected so
  432. C<tr///> not being decoded was obviously against the will of Perl5
  433. Porters so it has been fixed in Perl 5.8.1 or later.
  434.  
  435. =head1 EXAMPLE - Greekperl
  436.  
  437.     use encoding "iso 8859-7";
  438.  
  439.     # \xDF in ISO 8859-7 (Greek) is \x{3af} in Unicode.
  440.  
  441.     $a = "\xDF";
  442.     $b = "\x{100}";
  443.  
  444.     printf "%#x\n", ord($a); # will print 0x3af, not 0xdf
  445.  
  446.     $c = $a . $b;
  447.  
  448.     # $c will be "\x{3af}\x{100}", not "\x{df}\x{100}".
  449.  
  450.     # chr() is affected, and ...
  451.  
  452.     print "mega\n"  if ord(chr(0xdf)) == 0x3af;
  453.  
  454.     # ... ord() is affected by the encoding pragma ...
  455.  
  456.     print "tera\n" if ord(pack("C", 0xdf)) == 0x3af;
  457.  
  458.     # ... as are eq and cmp ...
  459.  
  460.     print "peta\n" if "\x{3af}" eq  pack("C", 0xdf);
  461.     print "exa\n"  if "\x{3af}" cmp pack("C", 0xdf) == 0;
  462.  
  463.     # ... but pack/unpack C are not affected, in case you still
  464.     # want to go back to your native encoding
  465.  
  466.     print "zetta\n" if unpack("C", (pack("C", 0xdf))) == 0xdf;
  467.  
  468. =head1 KNOWN PROBLEMS
  469.  
  470. =over
  471.  
  472. =item literals in regex that are longer than 127 bytes
  473.  
  474. For native multibyte encodings (either fixed or variable length),
  475. the current implementation of the regular expressions may introduce
  476. recoding errors for regular expression literals longer than 127 bytes.
  477.  
  478. =item EBCDIC
  479.  
  480. The encoding pragma is not supported on EBCDIC platforms.
  481. (Porters who are willing and able to remove this limitation are
  482. welcome.)
  483.  
  484. =item format
  485.  
  486. This pragma doesn't work well with format because PerlIO does not
  487. get along very well with it.  When format contains non-ascii
  488. characters it prints funny or gets "wide character warnings".
  489. To understand it, try the code below.
  490.  
  491.   # Save this one in utf8
  492.   # replace *non-ascii* with a non-ascii string
  493.   my $camel;
  494.   format STDOUT =
  495.   *non-ascii*@>>>>>>>
  496.   $camel
  497.   .
  498.   $camel = "*non-ascii*";
  499.   binmode(STDOUT=>':encoding(utf8)'); # bang!
  500.   write;              # funny 
  501.   print $camel, "\n"; # fine
  502.  
  503. Without binmode this happens to work but without binmode, print()
  504. fails instead of write().
  505.  
  506. At any rate, the very use of format is questionable when it comes to
  507. unicode characters since you have to consider such things as character
  508. width (i.e. double-width for ideographs) and directions (i.e. BIDI for
  509. Arabic and Hebrew).
  510.  
  511. =back
  512.  
  513. =head1 HISTORY
  514.  
  515. This pragma first appeared in Perl 5.8.0.  For features that require 
  516. 5.8.1 and better, see above.
  517.  
  518. =head1 SEE ALSO
  519.  
  520. L<perlunicode>, L<Encode>, L<open>, L<Filter::Util::Call>,
  521.  
  522. Ch. 15 of C<Programming Perl (3rd Edition)>
  523. by Larry Wall, Tom Christiansen, Jon Orwant;
  524. O'Reilly & Associates; ISBN 0-596-00027-8
  525.  
  526. =cut
  527.