home *** CD-ROM | disk | FTP | other *** search
/ PC World 2005 June / PCWorld_2005-06_cd.bin / software / vyzkuste / firewally / firewally.exe / framework-2.3.exe / perlunicode.pod < prev    next >
Text File  |  2003-11-07  |  48KB  |  1,438 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. =back
  46.  
  47. =head2 Byte and Character Semantics
  48.  
  49. Beginning with version 5.6, Perl uses logically-wide characters to
  50. represent strings internally.
  51.  
  52. In future, Perl-level operations will be expected to work with
  53. characters rather than bytes.
  54.  
  55. However, as an interim compatibility measure, Perl aims to
  56. provide a safe migration path from byte semantics to character
  57. semantics for programs.  For operations where Perl can unambiguously
  58. decide that the input data are characters, Perl switches to
  59. character semantics.  For operations where this determination cannot
  60. be made without additional information from the user, Perl decides in
  61. favor of compatibility and chooses to use byte semantics.
  62.  
  63. This behavior preserves compatibility with earlier versions of Perl,
  64. which allowed byte semantics in Perl operations only if
  65. none of the program's inputs were marked as being as source of Unicode
  66. character data.  Such data may come from filehandles, from calls to
  67. external programs, from information provided by the system (such as %ENV),
  68. or from literals and constants in the source text.
  69.  
  70. The C<bytes> pragma will always, regardless of platform, force byte
  71. semantics in a particular lexical scope.  See L<bytes>.
  72.  
  73. The C<utf8> pragma is primarily a compatibility device that enables
  74. recognition of UTF-(8|EBCDIC) in literals encountered by the parser.
  75. Note that this pragma is only required while Perl defaults to byte
  76. semantics; when character semantics become the default, this pragma
  77. may become a no-op.  See L<utf8>.
  78.  
  79. Unless explicitly stated, Perl operators use character semantics
  80. for Unicode data and byte semantics for non-Unicode data.
  81. The decision to use character semantics is made transparently.  If
  82. input data comes from a Unicode source--for example, if a character
  83. encoding layer is added to a filehandle or a literal Unicode
  84. string constant appears in a program--character semantics apply.
  85. Otherwise, byte semantics are in effect.  The C<bytes> pragma should
  86. be used to force byte semantics on Unicode data.
  87.  
  88. If strings operating under byte semantics and strings with Unicode
  89. character data are concatenated, the new string will be upgraded to
  90. I<ISO 8859-1 (Latin-1)>, even if the old Unicode string used EBCDIC.
  91. This translation is done without regard to the system's native 8-bit
  92. encoding, so to change this for systems with non-Latin-1 and 
  93. non-EBCDIC native encodings use the C<encoding> pragma.  See
  94. L<encoding>.
  95.  
  96. Under character semantics, many operations that formerly operated on
  97. bytes now operate on characters. A character in Perl is
  98. logically just a number ranging from 0 to 2**31 or so. Larger
  99. characters may encode into longer sequences of bytes internally, but
  100. this internal detail is mostly hidden for Perl code.
  101. See L<perluniintro> for more.
  102.  
  103. =head2 Effects of Character Semantics
  104.  
  105. Character semantics have the following effects:
  106.  
  107. =over 4
  108.  
  109. =item *
  110.  
  111. Strings--including hash keys--and regular expression patterns may
  112. contain characters that have an ordinal value larger than 255.
  113.  
  114. If you use a Unicode editor to edit your program, Unicode characters
  115. may occur directly within the literal strings in one of the various
  116. Unicode encodings (UTF-8, UTF-EBCDIC, UCS-2, etc.), but will be recognized
  117. as such and converted to Perl's internal representation only if the
  118. appropriate L<encoding> is specified.
  119.  
  120. Unicode characters can also be added to a string by using the
  121. C<\x{...}> notation.  The Unicode code for the desired character, in
  122. hexadecimal, should be placed in the braces. For instance, a smiley
  123. face is C<\x{263A}>.  This encoding scheme only works for characters
  124. with a code of 0x100 or above.
  125.  
  126. Additionally, if you
  127.  
  128.    use charnames ':full';
  129.  
  130. you can use the C<\N{...}> notation and put the official Unicode
  131. character name within the braces, such as C<\N{WHITE SMILING FACE}>.
  132.  
  133.  
  134. =item *
  135.  
  136. If an appropriate L<encoding> is specified, identifiers within the
  137. Perl script may contain Unicode alphanumeric characters, including
  138. ideographs.  Perl does not currently attempt to canonicalize variable
  139. names.
  140.  
  141. =item *
  142.  
  143. Regular expressions match characters instead of bytes.  "." matches
  144. a character instead of a byte.  The C<\C> pattern is provided to force
  145. a match a single byte--a C<char> in C, hence C<\C>.
  146.  
  147. =item *
  148.  
  149. Character classes in regular expressions match characters instead of
  150. bytes and match against the character properties specified in the
  151. Unicode properties database.  C<\w> can be used to match a Japanese
  152. ideograph, for instance.
  153.  
  154. =item *
  155.  
  156. Named Unicode properties, scripts, and block ranges may be used like
  157. character classes via the C<\p{}> "matches property" construct and
  158. the  C<\P{}> negation, "doesn't match property".
  159.  
  160. For instance, C<\p{Lu}> matches any character with the Unicode "Lu"
  161. (Letter, uppercase) property, while C<\p{M}> matches any character
  162. with an "M" (mark--accents and such) property.  Brackets are not
  163. required for single letter properties, so C<\p{M}> is equivalent to
  164. C<\pM>. Many predefined properties are available, such as
  165. C<\p{Mirrored}> and C<\p{Tibetan}>.
  166.  
  167. The official Unicode script and block names have spaces and dashes as
  168. separators, but for convenience you can use dashes, spaces, or
  169. underbars, and case is unimportant. It is recommended, however, that
  170. for consistency you use the following naming: the official Unicode
  171. script, property, or block name (see below for the additional rules
  172. that apply to block names) with whitespace and dashes removed, and the
  173. words "uppercase-first-lowercase-rest". C<Latin-1 Supplement> thus
  174. becomes C<Latin1Supplement>.
  175.  
  176. You can also use negation in both C<\p{}> and C<\P{}> by introducing a caret
  177. (^) between the first brace and the property name: C<\p{^Tamil}> is
  178. equal to C<\P{Tamil}>.
  179.  
  180. B<NOTE: the properties, scripts, and blocks listed here are as of
  181. Unicode 3.2.0, March 2002, or Perl 5.8.0, July 2002.  Unicode 4.0.0
  182. came out in April 2003, and Perl 5.8.1 in September 2003.>
  183.  
  184. Here are the basic Unicode General Category properties, followed by their
  185. long form.  You can use either; C<\p{Lu}> and C<\p{UppercaseLetter}>,
  186. for instance, are identical.
  187.  
  188.     Short       Long
  189.  
  190.     L           Letter
  191.     Lu          UppercaseLetter
  192.     Ll          LowercaseLetter
  193.     Lt          TitlecaseLetter
  194.     Lm          ModifierLetter
  195.     Lo          OtherLetter
  196.  
  197.     M           Mark
  198.     Mn          NonspacingMark
  199.     Mc          SpacingMark
  200.     Me          EnclosingMark
  201.  
  202.     N           Number
  203.     Nd          DecimalNumber
  204.     Nl          LetterNumber
  205.     No          OtherNumber
  206.  
  207.     P           Punctuation
  208.     Pc          ConnectorPunctuation
  209.     Pd          DashPunctuation
  210.     Ps          OpenPunctuation
  211.     Pe          ClosePunctuation
  212.     Pi          InitialPunctuation
  213.                 (may behave like Ps or Pe depending on usage)
  214.     Pf          FinalPunctuation
  215.                 (may behave like Ps or Pe depending on usage)
  216.     Po          OtherPunctuation
  217.  
  218.     S           Symbol
  219.     Sm          MathSymbol
  220.     Sc          CurrencySymbol
  221.     Sk          ModifierSymbol
  222.     So          OtherSymbol
  223.  
  224.     Z           Separator
  225.     Zs          SpaceSeparator
  226.     Zl          LineSeparator
  227.     Zp          ParagraphSeparator
  228.  
  229.     C           Other
  230.     Cc          Control
  231.     Cf          Format
  232.     Cs          Surrogate   (not usable)
  233.     Co          PrivateUse
  234.     Cn          Unassigned
  235.  
  236. Single-letter properties match all characters in any of the
  237. two-letter sub-properties starting with the same letter.
  238. C<L&> is a special case, which is an alias for C<Ll>, C<Lu>, and C<Lt>.
  239.  
  240. Because Perl hides the need for the user to understand the internal
  241. representation of Unicode characters, there is no need to implement
  242. the somewhat messy concept of surrogates. C<Cs> is therefore not
  243. supported.
  244.  
  245. Because scripts differ in their directionality--Hebrew is
  246. written right to left, for example--Unicode supplies these properties:
  247.  
  248.     Property    Meaning
  249.  
  250.     BidiL       Left-to-Right
  251.     BidiLRE     Left-to-Right Embedding
  252.     BidiLRO     Left-to-Right Override
  253.     BidiR       Right-to-Left
  254.     BidiAL      Right-to-Left Arabic
  255.     BidiRLE     Right-to-Left Embedding
  256.     BidiRLO     Right-to-Left Override
  257.     BidiPDF     Pop Directional Format
  258.     BidiEN      European Number
  259.     BidiES      European Number Separator
  260.     BidiET      European Number Terminator
  261.     BidiAN      Arabic Number
  262.     BidiCS      Common Number Separator
  263.     BidiNSM     Non-Spacing Mark
  264.     BidiBN      Boundary Neutral
  265.     BidiB       Paragraph Separator
  266.     BidiS       Segment Separator
  267.     BidiWS      Whitespace
  268.     BidiON      Other Neutrals
  269.  
  270. For example, C<\p{BidiR}> matches characters that are normally
  271. written right to left.
  272.  
  273. =back
  274.  
  275. =head2 Scripts
  276.  
  277. The script names which can be used by C<\p{...}> and C<\P{...}>,
  278. such as in C<\p{Latin}> or C<\p{Cyrillic}>, are as follows:
  279.  
  280.     Arabic
  281.     Armenian
  282.     Bengali
  283.     Bopomofo
  284.     Buhid
  285.     CanadianAboriginal
  286.     Cherokee
  287.     Cyrillic
  288.     Deseret
  289.     Devanagari
  290.     Ethiopic
  291.     Georgian
  292.     Gothic
  293.     Greek
  294.     Gujarati
  295.     Gurmukhi
  296.     Han
  297.     Hangul
  298.     Hanunoo
  299.     Hebrew
  300.     Hiragana
  301.     Inherited
  302.     Kannada
  303.     Katakana
  304.     Khmer
  305.     Lao
  306.     Latin
  307.     Malayalam
  308.     Mongolian
  309.     Myanmar
  310.     Ogham
  311.     OldItalic
  312.     Oriya
  313.     Runic
  314.     Sinhala
  315.     Syriac
  316.     Tagalog
  317.     Tagbanwa
  318.     Tamil
  319.     Telugu
  320.     Thaana
  321.     Thai
  322.     Tibetan
  323.     Yi
  324.  
  325. Extended property classes can supplement the basic
  326. properties, defined by the F<PropList> Unicode database:
  327.  
  328.     ASCIIHexDigit
  329.     BidiControl
  330.     Dash
  331.     Deprecated
  332.     Diacritic
  333.     Extender
  334.     GraphemeLink
  335.     HexDigit
  336.     Hyphen
  337.     Ideographic
  338.     IDSBinaryOperator
  339.     IDSTrinaryOperator
  340.     JoinControl
  341.     LogicalOrderException
  342.     NoncharacterCodePoint
  343.     OtherAlphabetic
  344.     OtherDefaultIgnorableCodePoint
  345.     OtherGraphemeExtend
  346.     OtherLowercase
  347.     OtherMath
  348.     OtherUppercase
  349.     QuotationMark
  350.     Radical
  351.     SoftDotted
  352.     TerminalPunctuation
  353.     UnifiedIdeograph
  354.     WhiteSpace
  355.  
  356. and there are further derived properties:
  357.  
  358.     Alphabetic      Lu + Ll + Lt + Lm + Lo + OtherAlphabetic
  359.     Lowercase       Ll + OtherLowercase
  360.     Uppercase       Lu + OtherUppercase
  361.     Math            Sm + OtherMath
  362.  
  363.     ID_Start        Lu + Ll + Lt + Lm + Lo + Nl
  364.     ID_Continue     ID_Start + Mn + Mc + Nd + Pc
  365.  
  366.     Any             Any character
  367.     Assigned        Any non-Cn character (i.e. synonym for \P{Cn})
  368.     Unassigned      Synonym for \p{Cn}
  369.     Common          Any character (or unassigned code point)
  370.                     not explicitly assigned to a script
  371.  
  372. For backward compatibility (with Perl 5.6), all properties mentioned
  373. so far may have C<Is> prepended to their name, so C<\P{IsLu}>, for
  374. example, is equal to C<\P{Lu}>.
  375.  
  376. =head2 Blocks
  377.  
  378. In addition to B<scripts>, Unicode also defines B<blocks> of
  379. characters.  The difference between scripts and blocks is that the
  380. concept of scripts is closer to natural languages, while the concept
  381. of blocks is more of an artificial grouping based on groups of 256
  382. Unicode characters. For example, the C<Latin> script contains letters
  383. from many blocks but does not contain all the characters from those
  384. blocks. It does not, for example, contain digits, because digits are
  385. shared across many scripts. Digits and similar groups, like
  386. punctuation, are in a category called C<Common>.
  387.  
  388. For more about scripts, see the UTR #24:
  389.  
  390.    http://www.unicode.org/unicode/reports/tr24/
  391.  
  392. For more about blocks, see:
  393.  
  394.    http://www.unicode.org/Public/UNIDATA/Blocks.txt
  395.  
  396. Block names are given with the C<In> prefix. For example, the
  397. Katakana block is referenced via C<\p{InKatakana}>.  The C<In>
  398. prefix may be omitted if there is no naming conflict with a script
  399. or any other property, but it is recommended that C<In> always be used
  400. for block tests to avoid confusion.
  401.  
  402. These block names are supported:
  403.  
  404.     InAlphabeticPresentationForms
  405.     InArabic
  406.     InArabicPresentationFormsA
  407.     InArabicPresentationFormsB
  408.     InArmenian
  409.     InArrows
  410.     InBasicLatin
  411.     InBengali
  412.     InBlockElements
  413.     InBopomofo
  414.     InBopomofoExtended
  415.     InBoxDrawing
  416.     InBraillePatterns
  417.     InBuhid
  418.     InByzantineMusicalSymbols
  419.     InCJKCompatibility
  420.     InCJKCompatibilityForms
  421.     InCJKCompatibilityIdeographs
  422.     InCJKCompatibilityIdeographsSupplement
  423.     InCJKRadicalsSupplement
  424.     InCJKSymbolsAndPunctuation
  425.     InCJKUnifiedIdeographs
  426.     InCJKUnifiedIdeographsExtensionA
  427.     InCJKUnifiedIdeographsExtensionB
  428.     InCherokee
  429.     InCombiningDiacriticalMarks
  430.     InCombiningDiacriticalMarksforSymbols
  431.     InCombiningHalfMarks
  432.     InControlPictures
  433.     InCurrencySymbols
  434.     InCyrillic
  435.     InCyrillicSupplementary
  436.     InDeseret
  437.     InDevanagari
  438.     InDingbats
  439.     InEnclosedAlphanumerics
  440.     InEnclosedCJKLettersAndMonths
  441.     InEthiopic
  442.     InGeneralPunctuation
  443.     InGeometricShapes
  444.     InGeorgian
  445.     InGothic
  446.     InGreekExtended
  447.     InGreekAndCoptic
  448.     InGujarati
  449.     InGurmukhi
  450.     InHalfwidthAndFullwidthForms
  451.     InHangulCompatibilityJamo
  452.     InHangulJamo
  453.     InHangulSyllables
  454.     InHanunoo
  455.     InHebrew
  456.     InHighPrivateUseSurrogates
  457.     InHighSurrogates
  458.     InHiragana
  459.     InIPAExtensions
  460.     InIdeographicDescriptionCharacters
  461.     InKanbun
  462.     InKangxiRadicals
  463.     InKannada
  464.     InKatakana
  465.     InKatakanaPhoneticExtensions
  466.     InKhmer
  467.     InLao
  468.     InLatin1Supplement
  469.     InLatinExtendedA
  470.     InLatinExtendedAdditional
  471.     InLatinExtendedB
  472.     InLetterlikeSymbols
  473.     InLowSurrogates
  474.     InMalayalam
  475.     InMathematicalAlphanumericSymbols
  476.     InMathematicalOperators
  477.     InMiscellaneousMathematicalSymbolsA
  478.     InMiscellaneousMathematicalSymbolsB
  479.     InMiscellaneousSymbols
  480.     InMiscellaneousTechnical
  481.     InMongolian
  482.     InMusicalSymbols
  483.     InMyanmar
  484.     InNumberForms
  485.     InOgham
  486.     InOldItalic
  487.     InOpticalCharacterRecognition
  488.     InOriya
  489.     InPrivateUseArea
  490.     InRunic
  491.     InSinhala
  492.     InSmallFormVariants
  493.     InSpacingModifierLetters
  494.     InSpecials
  495.     InSuperscriptsAndSubscripts
  496.     InSupplementalArrowsA
  497.     InSupplementalArrowsB
  498.     InSupplementalMathematicalOperators
  499.     InSupplementaryPrivateUseAreaA
  500.     InSupplementaryPrivateUseAreaB
  501.     InSyriac
  502.     InTagalog
  503.     InTagbanwa
  504.     InTags
  505.     InTamil
  506.     InTelugu
  507.     InThaana
  508.     InThai
  509.     InTibetan
  510.     InUnifiedCanadianAboriginalSyllabics
  511.     InVariationSelectors
  512.     InYiRadicals
  513.     InYiSyllables
  514.  
  515. =over 4
  516.  
  517. =item *
  518.  
  519. The special pattern C<\X> matches any extended Unicode
  520. sequence--"a combining character sequence" in Standardese--where the
  521. first character is a base character and subsequent characters are mark
  522. characters that apply to the base character.  C<\X> is equivalent to
  523. C<(?:\PM\pM*)>.
  524.  
  525. =item *
  526.  
  527. The C<tr///> operator translates characters instead of bytes.  Note
  528. that the C<tr///CU> functionality has been removed.  For similar
  529. functionality see pack('U0', ...) and pack('C0', ...).
  530.  
  531. =item *
  532.  
  533. Case translation operators use the Unicode case translation tables
  534. when character input is provided.  Note that C<uc()>, or C<\U> in
  535. interpolated strings, translates to uppercase, while C<ucfirst>,
  536. or C<\u> in interpolated strings, translates to titlecase in languages
  537. that make the distinction.
  538.  
  539. =item *
  540.  
  541. Most operators that deal with positions or lengths in a string will
  542. automatically switch to using character positions, including
  543. C<chop()>, C<substr()>, C<pos()>, C<index()>, C<rindex()>,
  544. C<sprintf()>, C<write()>, and C<length()>.  Operators that
  545. specifically do not switch include C<vec()>, C<pack()>, and
  546. C<unpack()>.  Operators that really don't care include C<chomp()>,
  547. operators that treats strings as a bucket of bits such as C<sort()>,
  548. and operators dealing with filenames.
  549.  
  550. =item *
  551.  
  552. The C<pack()>/C<unpack()> letters C<c> and C<C> do I<not> change,
  553. since they are often used for byte-oriented formats.  Again, think
  554. C<char> in the C language.
  555.  
  556. There is a new C<U> specifier that converts between Unicode characters
  557. and code points.
  558.  
  559. =item *
  560.  
  561. The C<chr()> and C<ord()> functions work on characters, similar to
  562. C<pack("U")> and C<unpack("U")>, I<not> C<pack("C")> and
  563. C<unpack("C")>.  C<pack("C")> and C<unpack("C")> are methods for
  564. emulating byte-oriented C<chr()> and C<ord()> on Unicode strings.
  565. While these methods reveal the internal encoding of Unicode strings,
  566. that is not something one normally needs to care about at all.
  567.  
  568. =item *
  569.  
  570. The bit string operators, C<& | ^ ~>, can operate on character data.
  571. However, for backward compatibility, such as when using bit string
  572. operations when characters are all less than 256 in ordinal value, one
  573. should not use C<~> (the bit complement) with characters of both
  574. values less than 256 and values greater than 256.  Most importantly,
  575. DeMorgan's laws (C<~($x|$y) eq ~$x&~$y> and C<~($x&$y) eq ~$x|~$y>)
  576. will not hold.  The reason for this mathematical I<faux pas> is that
  577. the complement cannot return B<both> the 8-bit (byte-wide) bit
  578. complement B<and> the full character-wide bit complement.
  579.  
  580. =item *
  581.  
  582. lc(), uc(), lcfirst(), and ucfirst() work for the following cases:
  583.  
  584. =over 8
  585.  
  586. =item *
  587.  
  588. the case mapping is from a single Unicode character to another
  589. single Unicode character, or
  590.  
  591. =item *
  592.  
  593. the case mapping is from a single Unicode character to more
  594. than one Unicode character.
  595.  
  596. =back
  597.  
  598. Things to do with locales (Lithuanian, Turkish, Azeri) do B<not> work
  599. since Perl does not understand the concept of Unicode locales.
  600.  
  601. See the Unicode Technical Report #21, Case Mappings, for more details.
  602.  
  603. =back
  604.  
  605. =over 4
  606.  
  607. =item *
  608.  
  609. And finally, C<scalar reverse()> reverses by character rather than by byte.
  610.  
  611. =back
  612.  
  613. =head2 User-Defined Character Properties
  614.  
  615. You can define your own character properties by defining subroutines
  616. whose names begin with "In" or "Is".  The subroutines must be defined
  617. in the C<main> package.  The user-defined properties can be used in the
  618. regular expression C<\p> and C<\P> constructs.  Note that the effect
  619. is compile-time and immutable once defined.
  620.  
  621. The subroutines must return a specially-formatted string, with one
  622. or more newline-separated lines.  Each line must be one of the following:
  623.  
  624. =over 4
  625.  
  626. =item *
  627.  
  628. Two hexadecimal numbers separated by horizontal whitespace (space or
  629. tabular characters) denoting a range of Unicode code points to include.
  630.  
  631. =item *
  632.  
  633. Something to include, prefixed by "+": a built-in character
  634. property (prefixed by "utf8::"), to represent all the characters in that
  635. property; two hexadecimal code points for a range; or a single
  636. hexadecimal code point.
  637.  
  638. =item *
  639.  
  640. Something to exclude, prefixed by "-": an existing character
  641. property (prefixed by "utf8::"), for all the characters in that
  642. property; two hexadecimal code points for a range; or a single
  643. hexadecimal code point.
  644.  
  645. =item *
  646.  
  647. Something to negate, prefixed "!": an existing character
  648. property (prefixed by "utf8::") for all the characters except the
  649. characters in the property; two hexadecimal code points for a range;
  650. or a single hexadecimal code point.
  651.  
  652. =back
  653.  
  654. For example, to define a property that covers both the Japanese
  655. syllabaries (hiragana and katakana), you can define
  656.  
  657.     sub InKana {
  658.     return <<END;
  659.     3040\t309F
  660.     30A0\t30FF
  661.     END
  662.     }
  663.  
  664. Imagine that the here-doc end marker is at the beginning of the line.
  665. Now you can use C<\p{InKana}> and C<\P{InKana}>.
  666.  
  667. You could also have used the existing block property names:
  668.  
  669.     sub InKana {
  670.     return <<'END';
  671.     +utf8::InHiragana
  672.     +utf8::InKatakana
  673.     END
  674.     }
  675.  
  676. Suppose you wanted to match only the allocated characters,
  677. not the raw block ranges: in other words, you want to remove
  678. the non-characters:
  679.  
  680.     sub InKana {
  681.     return <<'END';
  682.     +utf8::InHiragana
  683.     +utf8::InKatakana
  684.     -utf8::IsCn
  685.     END
  686.     }
  687.  
  688. The negation is useful for defining (surprise!) negated classes.
  689.  
  690.     sub InNotKana {
  691.     return <<'END';
  692.     !utf8::InHiragana
  693.     -utf8::InKatakana
  694.     +utf8::IsCn
  695.     END
  696.     }
  697.  
  698. You can also define your own mappings to be used in the lc(),
  699. lcfirst(), uc(), and ucfirst() (or their string-inlined versions).
  700. The principle is the same: define subroutines in the C<main> package
  701. with names like C<ToLower> (for lc() and lcfirst()), C<ToTitle> (for
  702. the first character in ucfirst()), and C<ToUpper> (for uc(), and the
  703. rest of the characters in ucfirst()).
  704.  
  705. The string returned by the subroutines needs now to be three
  706. hexadecimal numbers separated by tabulators: start of the source
  707. range, end of the source range, and start of the destination range.
  708. For example:
  709.  
  710.     sub ToUpper {
  711.     return <<END;
  712.     0061\t0063\t0041
  713.     END
  714.     }
  715.  
  716. defines an uc() mapping that causes only the characters "a", "b", and
  717. "c" to be mapped to "A", "B", "C", all other characters will remain
  718. unchanged.
  719.  
  720. If there is no source range to speak of, that is, the mapping is from
  721. a single character to another single character, leave the end of the
  722. source range empty, but the two tabulator characters are still needed.
  723. For example:
  724.  
  725.     sub ToLower {
  726.     return <<END;
  727.     0041\t\t0061
  728.     END
  729.     }
  730.  
  731. defines a lc() mapping that causes only "A" to be mapped to "a", all
  732. other characters will remain unchanged.
  733.  
  734. (For serious hackers only)  If you want to introspect the default
  735. mappings, you can find the data in the directory
  736. C<$Config{privlib}>/F<unicore/To/>.  The mapping data is returned as
  737. the here-document, and the C<utf8::ToSpecFoo> are special exception
  738. mappings derived from <$Config{privlib}>/F<unicore/SpecialCasing.txt>.
  739. The C<Digit> and C<Fold> mappings that one can see in the directory
  740. are not directly user-accessible, one can use either the
  741. C<Unicode::UCD> module, or just match case-insensitively (that's when
  742. the C<Fold> mapping is used).
  743.  
  744. A final note on the user-defined property tests and mappings: they
  745. will be used only if the scalar has been marked as having Unicode
  746. characters.  Old byte-style strings will not be affected.
  747.  
  748. =head2 Character Encodings for Input and Output
  749.  
  750. See L<Encode>.
  751.  
  752. =head2 Unicode Regular Expression Support Level
  753.  
  754. The following list of Unicode support for regular expressions describes
  755. all the features currently supported.  The references to "Level N"
  756. and the section numbers refer to the Unicode Technical Report 18,
  757. "Unicode Regular Expression Guidelines", version 6 (Unicode 3.2.0,
  758. Perl 5.8.0).
  759.  
  760. =over 4
  761.  
  762. =item *
  763.  
  764. Level 1 - Basic Unicode Support
  765.  
  766.         2.1 Hex Notation                        - done          [1]
  767.             Named Notation                      - done          [2]
  768.         2.2 Categories                          - done          [3][4]
  769.         2.3 Subtraction                         - MISSING       [5][6]
  770.         2.4 Simple Word Boundaries              - done          [7]
  771.         2.5 Simple Loose Matches                - done          [8]
  772.         2.6 End of Line                         - MISSING       [9][10]
  773.  
  774.         [ 1] \x{...}
  775.         [ 2] \N{...}
  776.         [ 3] . \p{...} \P{...}
  777.         [ 4] now scripts (see UTR#24 Script Names) in addition to blocks
  778.         [ 5] have negation
  779.         [ 6] can use regular expression look-ahead [a]
  780.              or user-defined character properties [b] to emulate subtraction
  781.         [ 7] include Letters in word characters
  782.         [ 8] note that Perl does Full case-folding in matching, not Simple:
  783.              for example U+1F88 is equivalent with U+1F00 U+03B9,
  784.              not with 1F80.  This difference matters for certain Greek
  785.              capital letters with certain modifiers: the Full case-folding
  786.              decomposes the letter, while the Simple case-folding would map
  787.              it to a single character.
  788.         [ 9] see UTR #13 Unicode Newline Guidelines
  789.         [10] should do ^ and $ also on \x{85}, \x{2028} and \x{2029}
  790.              (should also affect <>, $., and script line numbers)
  791.              (the \x{85}, \x{2028} and \x{2029} do match \s)
  792.  
  793. [a] You can mimic class subtraction using lookahead.
  794. For example, what UTR #18 might write as
  795.  
  796.     [{Greek}-[{UNASSIGNED}]]
  797.  
  798. in Perl can be written as:
  799.  
  800.     (?!\p{Unassigned})\p{InGreekAndCoptic}
  801.     (?=\p{Assigned})\p{InGreekAndCoptic}
  802.  
  803. But in this particular example, you probably really want
  804.  
  805.     \p{GreekAndCoptic}
  806.  
  807. which will match assigned characters known to be part of the Greek script.
  808.  
  809. Also see the Unicode::Regex::Set module, it does implement the full
  810. UTR #18 grouping, intersection, union, and removal (subtraction) syntax.
  811.  
  812. [b] See L</"User-Defined Character Properties">.
  813.  
  814. =item *
  815.  
  816. Level 2 - Extended Unicode Support
  817.  
  818.         3.1 Surrogates                          - MISSING    [11]
  819.         3.2 Canonical Equivalents               - MISSING       [12][13]
  820.         3.3 Locale-Independent Graphemes        - MISSING       [14]
  821.         3.4 Locale-Independent Words            - MISSING       [15]
  822.         3.5 Locale-Independent Loose Matches    - MISSING       [16]
  823.  
  824.         [11] Surrogates are solely a UTF-16 concept and Perl's internal
  825.              representation is UTF-8.  The Encode module does UTF-16, though.
  826.         [12] see UTR#15 Unicode Normalization
  827.         [13] have Unicode::Normalize but not integrated to regexes
  828.         [14] have \X but at this level . should equal that
  829.         [15] need three classes, not just \w and \W
  830.         [16] see UTR#21 Case Mappings
  831.  
  832. =item *
  833.  
  834. Level 3 - Locale-Sensitive Support
  835.  
  836.         4.1 Locale-Dependent Categories         - MISSING
  837.         4.2 Locale-Dependent Graphemes          - MISSING       [16][17]
  838.         4.3 Locale-Dependent Words              - MISSING
  839.         4.4 Locale-Dependent Loose Matches      - MISSING
  840.         4.5 Locale-Dependent Ranges             - MISSING
  841.  
  842.         [16] see UTR#10 Unicode Collation Algorithms
  843.         [17] have Unicode::Collate but not integrated to regexes
  844.  
  845. =back
  846.  
  847. =head2 Unicode Encodings
  848.  
  849. Unicode characters are assigned to I<code points>, which are abstract
  850. numbers.  To use these numbers, various encodings are needed.
  851.  
  852. =over 4
  853.  
  854. =item *
  855.  
  856. UTF-8
  857.  
  858. UTF-8 is a variable-length (1 to 6 bytes, current character allocations
  859. require 4 bytes), byte-order independent encoding. For ASCII (and we
  860. really do mean 7-bit ASCII, not another 8-bit encoding), UTF-8 is
  861. transparent.
  862.  
  863. The following table is from Unicode 3.2.
  864.  
  865.  Code Points            1st Byte  2nd Byte  3rd Byte  4th Byte
  866.  
  867.    U+0000..U+007F       00..7F
  868.    U+0080..U+07FF       C2..DF    80..BF
  869.    U+0800..U+0FFF       E0        A0..BF    80..BF
  870.    U+1000..U+CFFF       E1..EC    80..BF    80..BF
  871.    U+D000..U+D7FF       ED        80..9F    80..BF
  872.    U+D800..U+DFFF       ******* ill-formed *******
  873.    U+E000..U+FFFF       EE..EF    80..BF    80..BF
  874.   U+10000..U+3FFFF      F0        90..BF    80..BF    80..BF
  875.   U+40000..U+FFFFF      F1..F3    80..BF    80..BF    80..BF
  876.  U+100000..U+10FFFF     F4        80..8F    80..BF    80..BF
  877.  
  878. Note the C<A0..BF> in C<U+0800..U+0FFF>, the C<80..9F> in
  879. C<U+D000...U+D7FF>, the C<90..B>F in C<U+10000..U+3FFFF>, and the
  880. C<80...8F> in C<U+100000..U+10FFFF>.  The "gaps" are caused by legal
  881. UTF-8 avoiding non-shortest encodings: it is technically possible to
  882. UTF-8-encode a single code point in different ways, but that is
  883. explicitly forbidden, and the shortest possible encoding should always
  884. be used.  So that's what Perl does.
  885.  
  886. Another way to look at it is via bits:
  887.  
  888.  Code Points                    1st Byte   2nd Byte  3rd Byte  4th Byte
  889.  
  890.                     0aaaaaaa     0aaaaaaa
  891.             00000bbbbbaaaaaa     110bbbbb  10aaaaaa
  892.             ccccbbbbbbaaaaaa     1110cccc  10bbbbbb  10aaaaaa
  893.   00000dddccccccbbbbbbaaaaaa     11110ddd  10cccccc  10bbbbbb  10aaaaaa
  894.  
  895. As you can see, the continuation bytes all begin with C<10>, and the
  896. leading bits of the start byte tell how many bytes the are in the
  897. encoded character.
  898.  
  899. =item *
  900.  
  901. UTF-EBCDIC
  902.  
  903. Like UTF-8 but EBCDIC-safe, in the way that UTF-8 is ASCII-safe.
  904.  
  905. =item *
  906.  
  907. UTF-16, UTF-16BE, UTF-16LE, Surrogates, and BOMs (Byte Order Marks)
  908.  
  909. The followings items are mostly for reference and general Unicode
  910. knowledge, Perl doesn't use these constructs internally.
  911.  
  912. UTF-16 is a 2 or 4 byte encoding.  The Unicode code points
  913. C<U+0000..U+FFFF> are stored in a single 16-bit unit, and the code
  914. points C<U+10000..U+10FFFF> in two 16-bit units.  The latter case is
  915. using I<surrogates>, the first 16-bit unit being the I<high
  916. surrogate>, and the second being the I<low surrogate>.
  917.  
  918. Surrogates are code points set aside to encode the C<U+10000..U+10FFFF>
  919. range of Unicode code points in pairs of 16-bit units.  The I<high
  920. surrogates> are the range C<U+D800..U+DBFF>, and the I<low surrogates>
  921. are the range C<U+DC00..U+DFFF>.  The surrogate encoding is
  922.  
  923.     $hi = ($uni - 0x10000) / 0x400 + 0xD800;
  924.     $lo = ($uni - 0x10000) % 0x400 + 0xDC00;
  925.  
  926. and the decoding is
  927.  
  928.     $uni = 0x10000 + ($hi - 0xD800) * 0x400 + ($lo - 0xDC00);
  929.  
  930. If you try to generate surrogates (for example by using chr()), you
  931. will get a warning if warnings are turned on, because those code
  932. points are not valid for a Unicode character.
  933.  
  934. Because of the 16-bitness, UTF-16 is byte-order dependent.  UTF-16
  935. itself can be used for in-memory computations, but if storage or
  936. transfer is required either UTF-16BE (big-endian) or UTF-16LE
  937. (little-endian) encodings must be chosen.
  938.  
  939. This introduces another problem: what if you just know that your data
  940. is UTF-16, but you don't know which endianness?  Byte Order Marks, or
  941. BOMs, are a solution to this.  A special character has been reserved
  942. in Unicode to function as a byte order marker: the character with the
  943. code point C<U+FEFF> is the BOM.
  944.  
  945. The trick is that if you read a BOM, you will know the byte order,
  946. since if it was written on a big-endian platform, you will read the
  947. bytes C<0xFE 0xFF>, but if it was written on a little-endian platform,
  948. you will read the bytes C<0xFF 0xFE>.  (And if the originating platform
  949. was writing in UTF-8, you will read the bytes C<0xEF 0xBB 0xBF>.)
  950.  
  951. The way this trick works is that the character with the code point
  952. C<U+FFFE> is guaranteed not to be a valid Unicode character, so the
  953. sequence of bytes C<0xFF 0xFE> is unambiguously "BOM, represented in
  954. little-endian format" and cannot be C<U+FFFE>, represented in big-endian
  955. format".
  956.  
  957. =item *
  958.  
  959. UTF-32, UTF-32BE, UTF-32LE
  960.  
  961. The UTF-32 family is pretty much like the UTF-16 family, expect that
  962. the units are 32-bit, and therefore the surrogate scheme is not
  963. needed.  The BOM signatures will be C<0x00 0x00 0xFE 0xFF> for BE and
  964. C<0xFF 0xFE 0x00 0x00> for LE.
  965.  
  966. =item *
  967.  
  968. UCS-2, UCS-4
  969.  
  970. Encodings defined by the ISO 10646 standard.  UCS-2 is a 16-bit
  971. encoding.  Unlike UTF-16, UCS-2 is not extensible beyond C<U+FFFF>,
  972. because it does not use surrogates.  UCS-4 is a 32-bit encoding,
  973. functionally identical to UTF-32.
  974.  
  975. =item *
  976.  
  977. UTF-7
  978.  
  979. A seven-bit safe (non-eight-bit) encoding, which is useful if the
  980. transport or storage is not eight-bit safe.  Defined by RFC 2152.
  981.  
  982. =back
  983.  
  984. =head2 Security Implications of Unicode
  985.  
  986. =over 4
  987.  
  988. =item *
  989.  
  990. Malformed UTF-8
  991.  
  992. Unfortunately, the specification of UTF-8 leaves some room for
  993. interpretation of how many bytes of encoded output one should generate
  994. from one input Unicode character.  Strictly speaking, the shortest
  995. possible sequence of UTF-8 bytes should be generated,
  996. because otherwise there is potential for an input buffer overflow at
  997. the receiving end of a UTF-8 connection.  Perl always generates the
  998. shortest length UTF-8, and with warnings on Perl will warn about
  999. non-shortest length UTF-8 along with other malformations, such as the
  1000. surrogates, which are not real Unicode code points.
  1001.  
  1002. =item *
  1003.  
  1004. Regular expressions behave slightly differently between byte data and
  1005. character (Unicode) data.  For example, the "word character" character
  1006. class C<\w> will work differently depending on if data is eight-bit bytes
  1007. or Unicode.
  1008.  
  1009. In the first case, the set of C<\w> characters is either small--the
  1010. default set of alphabetic characters, digits, and the "_"--or, if you
  1011. are using a locale (see L<perllocale>), the C<\w> might contain a few
  1012. more letters according to your language and country.
  1013.  
  1014. In the second case, the C<\w> set of characters is much, much larger.
  1015. Most importantly, even in the set of the first 256 characters, it will
  1016. probably match different characters: unlike most locales, which are
  1017. specific to a language and country pair, Unicode classifies all the
  1018. characters that are letters I<somewhere> as C<\w>.  For example, your
  1019. locale might not think that LATIN SMALL LETTER ETH is a letter (unless
  1020. you happen to speak Icelandic), but Unicode does.
  1021.  
  1022. As discussed elsewhere, Perl has one foot (two hooves?) planted in
  1023. each of two worlds: the old world of bytes and the new world of
  1024. characters, upgrading from bytes to characters when necessary.
  1025. If your legacy code does not explicitly use Unicode, no automatic
  1026. switch-over to characters should happen.  Characters shouldn't get
  1027. downgraded to bytes, either.  It is possible to accidentally mix bytes
  1028. and characters, however (see L<perluniintro>), in which case C<\w> in
  1029. regular expressions might start behaving differently.  Review your
  1030. code.  Use warnings and the C<strict> pragma.
  1031.  
  1032. =back
  1033.  
  1034. =head2 Unicode in Perl on EBCDIC
  1035.  
  1036. The way Unicode is handled on EBCDIC platforms is still
  1037. experimental.  On such platforms, references to UTF-8 encoding in this
  1038. document and elsewhere should be read as meaning the UTF-EBCDIC
  1039. specified in Unicode Technical Report 16, unless ASCII vs. EBCDIC issues
  1040. are specifically discussed. There is no C<utfebcdic> pragma or
  1041. ":utfebcdic" layer; rather, "utf8" and ":utf8" are reused to mean
  1042. the platform's "natural" 8-bit encoding of Unicode. See L<perlebcdic>
  1043. for more discussion of the issues.
  1044.  
  1045. =head2 Locales
  1046.  
  1047. Usually locale settings and Unicode do not affect each other, but
  1048. there are a couple of exceptions:
  1049.  
  1050. =over 4
  1051.  
  1052. =item *
  1053.  
  1054. You can enable automatic UTF-8-ification of your standard file
  1055. handles, default C<open()> layer, and C<@ARGV> by using either
  1056. the C<-C> command line switch or the C<PERL_UNICODE> environment
  1057. variable, see L<perlrun> for the documentation of the C<-C> switch.
  1058.  
  1059. =item *
  1060.  
  1061. Perl tries really hard to work both with Unicode and the old
  1062. byte-oriented world. Most often this is nice, but sometimes Perl's
  1063. straddling of the proverbial fence causes problems.
  1064.  
  1065. =back
  1066.  
  1067. =head2 When Unicode Does Not Happen
  1068.  
  1069. While Perl does have extensive ways to input and output in Unicode,
  1070. and few other 'entry points' like the @ARGV which can be interpreted
  1071. as Unicode (UTF-8), there still are many places where Unicode (in some
  1072. encoding or another) could be given as arguments or received as
  1073. results, or both, but it is not.
  1074.  
  1075. The following are such interfaces.  For all of these Perl currently
  1076. (as of 5.8.1) simply assumes byte strings both as arguments and results.
  1077.  
  1078. One reason why Perl does not attempt to resolve the role of Unicode in
  1079. this cases is that the answers are highly dependent on the operating
  1080. system and the file system(s).  For example, whether filenames can be
  1081. in Unicode, and in exactly what kind of encoding, is not exactly a
  1082. portable concept.  Similarly for the qx and system: how well will the
  1083. 'command line interface' (and which of them?) handle Unicode?
  1084.  
  1085. =over 4
  1086.  
  1087. =item *
  1088.  
  1089. chmod, chmod, chown, chroot, exec, link, mkdir
  1090. rename, rmdir stat, symlink, truncate, unlink, utime
  1091.  
  1092. =item *
  1093.  
  1094. %ENV
  1095.  
  1096. =item *
  1097.  
  1098. glob (aka the <*>)
  1099.  
  1100. =item *
  1101.  
  1102. open, opendir, sysopen
  1103.  
  1104. =item *
  1105.  
  1106. qx (aka the backtick operator), system
  1107.  
  1108. =item *
  1109.  
  1110. readdir, readlink
  1111.  
  1112. =back
  1113.  
  1114. =head2 Forcing Unicode in Perl (Or Unforcing Unicode in Perl)
  1115.  
  1116. Sometimes (see L</"When Unicode Does Not Happen">) there are
  1117. situations where you simply need to force Perl to believe that a byte
  1118. string is UTF-8, or vice versa.  The low-level calls
  1119. utf8::upgrade($bytestring) and utf8::downgrade($utf8string) are
  1120. the answers.
  1121.  
  1122. Do not use them without careful thought, though: Perl may easily get
  1123. very confused, angry, or even crash, if you suddenly change the 'nature'
  1124. of scalar like that.  Especially careful you have to be if you use the
  1125. utf8::upgrade(): any random byte string is not valid UTF-8.
  1126.  
  1127. =head2 Using Unicode in XS
  1128.  
  1129. If you want to handle Perl Unicode in XS extensions, you may find the
  1130. following C APIs useful.  See also L<perlguts/"Unicode Support"> for an
  1131. explanation about Unicode at the XS level, and L<perlapi> for the API
  1132. details.
  1133.  
  1134. =over 4
  1135.  
  1136. =item *
  1137.  
  1138. C<DO_UTF8(sv)> returns true if the C<UTF8> flag is on and the bytes
  1139. pragma is not in effect.  C<SvUTF8(sv)> returns true is the C<UTF8>
  1140. flag is on; the bytes pragma is ignored.  The C<UTF8> flag being on
  1141. does B<not> mean that there are any characters of code points greater
  1142. than 255 (or 127) in the scalar or that there are even any characters
  1143. in the scalar.  What the C<UTF8> flag means is that the sequence of
  1144. octets in the representation of the scalar is the sequence of UTF-8
  1145. encoded code points of the characters of a string.  The C<UTF8> flag
  1146. being off means that each octet in this representation encodes a
  1147. single character with code point 0..255 within the string.  Perl's
  1148. Unicode model is not to use UTF-8 until it is absolutely necessary.
  1149.  
  1150. =item *
  1151.  
  1152. C<uvuni_to_utf8(buf, chr)> writes a Unicode character code point into
  1153. a buffer encoding the code point as UTF-8, and returns a pointer
  1154. pointing after the UTF-8 bytes.
  1155.  
  1156. =item *
  1157.  
  1158. C<utf8_to_uvuni(buf, lenp)> reads UTF-8 encoded bytes from a buffer and
  1159. returns the Unicode character code point and, optionally, the length of
  1160. the UTF-8 byte sequence.
  1161.  
  1162. =item *
  1163.  
  1164. C<utf8_length(start, end)> returns the length of the UTF-8 encoded buffer
  1165. in characters.  C<sv_len_utf8(sv)> returns the length of the UTF-8 encoded
  1166. scalar.
  1167.  
  1168. =item *
  1169.  
  1170. C<sv_utf8_upgrade(sv)> converts the string of the scalar to its UTF-8
  1171. encoded form.  C<sv_utf8_downgrade(sv)> does the opposite, if
  1172. possible.  C<sv_utf8_encode(sv)> is like sv_utf8_upgrade except that
  1173. it does not set the C<UTF8> flag.  C<sv_utf8_decode()> does the
  1174. opposite of C<sv_utf8_encode()>.  Note that none of these are to be
  1175. used as general-purpose encoding or decoding interfaces: C<use Encode>
  1176. for that.  C<sv_utf8_upgrade()> is affected by the encoding pragma
  1177. but C<sv_utf8_downgrade()> is not (since the encoding pragma is
  1178. designed to be a one-way street).
  1179.  
  1180. =item *
  1181.  
  1182. C<is_utf8_char(s)> returns true if the pointer points to a valid UTF-8
  1183. character.
  1184.  
  1185. =item *
  1186.  
  1187. C<is_utf8_string(buf, len)> returns true if C<len> bytes of the buffer
  1188. are valid UTF-8.
  1189.  
  1190. =item *
  1191.  
  1192. C<UTF8SKIP(buf)> will return the number of bytes in the UTF-8 encoded
  1193. character in the buffer.  C<UNISKIP(chr)> will return the number of bytes
  1194. required to UTF-8-encode the Unicode character code point.  C<UTF8SKIP()>
  1195. is useful for example for iterating over the characters of a UTF-8
  1196. encoded buffer; C<UNISKIP()> is useful, for example, in computing
  1197. the size required for a UTF-8 encoded buffer.
  1198.  
  1199. =item *
  1200.  
  1201. C<utf8_distance(a, b)> will tell the distance in characters between the
  1202. two pointers pointing to the same UTF-8 encoded buffer.
  1203.  
  1204. =item *
  1205.  
  1206. C<utf8_hop(s, off)> will return a pointer to an UTF-8 encoded buffer
  1207. that is C<off> (positive or negative) Unicode characters displaced
  1208. from the UTF-8 buffer C<s>.  Be careful not to overstep the buffer:
  1209. C<utf8_hop()> will merrily run off the end or the beginning of the
  1210. buffer if told to do so.
  1211.  
  1212. =item *
  1213.  
  1214. C<pv_uni_display(dsv, spv, len, pvlim, flags)> and
  1215. C<sv_uni_display(dsv, ssv, pvlim, flags)> are useful for debugging the
  1216. output of Unicode strings and scalars.  By default they are useful
  1217. only for debugging--they display B<all> characters as hexadecimal code
  1218. points--but with the flags C<UNI_DISPLAY_ISPRINT>,
  1219. C<UNI_DISPLAY_BACKSLASH>, and C<UNI_DISPLAY_QQ> you can make the
  1220. output more readable.
  1221.  
  1222. =item *
  1223.  
  1224. C<ibcmp_utf8(s1, pe1, u1, l1, u1, s2, pe2, l2, u2)> can be used to
  1225. compare two strings case-insensitively in Unicode.  For case-sensitive
  1226. comparisons you can just use C<memEQ()> and C<memNE()> as usual.
  1227.  
  1228. =back
  1229.  
  1230. For more information, see L<perlapi>, and F<utf8.c> and F<utf8.h>
  1231. in the Perl source code distribution.
  1232.  
  1233. =head1 BUGS
  1234.  
  1235. =head2 Interaction with Locales
  1236.  
  1237. Use of locales with Unicode data may lead to odd results.  Currently,
  1238. Perl attempts to attach 8-bit locale info to characters in the range
  1239. 0..255, but this technique is demonstrably incorrect for locales that
  1240. use characters above that range when mapped into Unicode.  Perl's
  1241. Unicode support will also tend to run slower.  Use of locales with
  1242. Unicode is discouraged.
  1243.  
  1244. =head2 Interaction with Extensions
  1245.  
  1246. When Perl exchanges data with an extension, the extension should be
  1247. able to understand the UTF-8 flag and act accordingly. If the
  1248. extension doesn't know about the flag, it's likely that the extension
  1249. will return incorrectly-flagged data.
  1250.  
  1251. So if you're working with Unicode data, consult the documentation of
  1252. every module you're using if there are any issues with Unicode data
  1253. exchange. If the documentation does not talk about Unicode at all,
  1254. suspect the worst and probably look at the source to learn how the
  1255. module is implemented. Modules written completely in Perl shouldn't
  1256. cause problems. Modules that directly or indirectly access code written
  1257. in other programming languages are at risk.
  1258.  
  1259. For affected functions, the simple strategy to avoid data corruption is
  1260. to always make the encoding of the exchanged data explicit. Choose an
  1261. encoding that you know the extension can handle. Convert arguments passed
  1262. to the extensions to that encoding and convert results back from that
  1263. encoding. Write wrapper functions that do the conversions for you, so
  1264. you can later change the functions when the extension catches up.
  1265.  
  1266. To provide an example, let's say the popular Foo::Bar::escape_html
  1267. function doesn't deal with Unicode data yet. The wrapper function
  1268. would convert the argument to raw UTF-8 and convert the result back to
  1269. Perl's internal representation like so:
  1270.  
  1271.     sub my_escape_html ($) {
  1272.       my($what) = shift;
  1273.       return unless defined $what;
  1274.       Encode::decode_utf8(Foo::Bar::escape_html(Encode::encode_utf8($what)));
  1275.     }
  1276.  
  1277. Sometimes, when the extension does not convert data but just stores
  1278. and retrieves them, you will be in a position to use the otherwise
  1279. dangerous Encode::_utf8_on() function. Let's say the popular
  1280. C<Foo::Bar> extension, written in C, provides a C<param> method that
  1281. lets you store and retrieve data according to these prototypes:
  1282.  
  1283.     $self->param($name, $value);            # set a scalar
  1284.     $value = $self->param($name);           # retrieve a scalar
  1285.  
  1286. If it does not yet provide support for any encoding, one could write a
  1287. derived class with such a C<param> method:
  1288.  
  1289.     sub param {
  1290.       my($self,$name,$value) = @_;
  1291.       utf8::upgrade($name);     # make sure it is UTF-8 encoded
  1292.       if (defined $value)
  1293.         utf8::upgrade($value);  # make sure it is UTF-8 encoded
  1294.         return $self->SUPER::param($name,$value);
  1295.       } else {
  1296.         my $ret = $self->SUPER::param($name);
  1297.         Encode::_utf8_on($ret); # we know, it is UTF-8 encoded
  1298.         return $ret;
  1299.       }
  1300.     }
  1301.  
  1302. Some extensions provide filters on data entry/exit points, such as
  1303. DB_File::filter_store_key and family. Look out for such filters in
  1304. the documentation of your extensions, they can make the transition to
  1305. Unicode data much easier.
  1306.  
  1307. =head2 Speed
  1308.  
  1309. Some functions are slower when working on UTF-8 encoded strings than
  1310. on byte encoded strings.  All functions that need to hop over
  1311. characters such as length(), substr() or index(), or matching regular
  1312. expressions can work B<much> faster when the underlying data are
  1313. byte-encoded.
  1314.  
  1315. In Perl 5.8.0 the slowness was often quite spectacular; in Perl 5.8.1
  1316. a caching scheme was introduced which will hopefully make the slowness
  1317. somewhat less spectacular, at least for some operations.  In general,
  1318. operations with UTF-8 encoded strings are still slower. As an example,
  1319. the Unicode properties (character classes) like C<\p{Nd}> are known to
  1320. be quite a bit slower (5-20 times) than their simpler counterparts
  1321. like C<\d> (then again, there 268 Unicode characters matching C<Nd>
  1322. compared with the 10 ASCII characters matching C<d>).
  1323.  
  1324. =head2 Porting code from perl-5.6.X
  1325.  
  1326. Perl 5.8 has a different Unicode model from 5.6. In 5.6 the programmer
  1327. was required to use the C<utf8> pragma to declare that a given scope
  1328. expected to deal with Unicode data and had to make sure that only
  1329. Unicode data were reaching that scope. If you have code that is
  1330. working with 5.6, you will need some of the following adjustments to
  1331. your code. The examples are written such that the code will continue
  1332. to work under 5.6, so you should be safe to try them out.
  1333.  
  1334. =over 4
  1335.  
  1336. =item *
  1337.  
  1338. A filehandle that should read or write UTF-8
  1339.  
  1340.   if ($] > 5.007) {
  1341.     binmode $fh, ":utf8";
  1342.   }
  1343.  
  1344. =item *
  1345.  
  1346. A scalar that is going to be passed to some extension
  1347.  
  1348. Be it Compress::Zlib, Apache::Request or any extension that has no
  1349. mention of Unicode in the manpage, you need to make sure that the
  1350. UTF-8 flag is stripped off. Note that at the time of this writing
  1351. (October 2002) the mentioned modules are not UTF-8-aware. Please
  1352. check the documentation to verify if this is still true.
  1353.  
  1354.   if ($] > 5.007) {
  1355.     require Encode;
  1356.     $val = Encode::encode_utf8($val); # make octets
  1357.   }
  1358.  
  1359. =item *
  1360.  
  1361. A scalar we got back from an extension
  1362.  
  1363. If you believe the scalar comes back as UTF-8, you will most likely
  1364. want the UTF-8 flag restored:
  1365.  
  1366.   if ($] > 5.007) {
  1367.     require Encode;
  1368.     $val = Encode::decode_utf8($val);
  1369.   }
  1370.  
  1371. =item *
  1372.  
  1373. Same thing, if you are really sure it is UTF-8
  1374.  
  1375.   if ($] > 5.007) {
  1376.     require Encode;
  1377.     Encode::_utf8_on($val);
  1378.   }
  1379.  
  1380. =item *
  1381.  
  1382. A wrapper for fetchrow_array and fetchrow_hashref
  1383.  
  1384. When the database contains only UTF-8, a wrapper function or method is
  1385. a convenient way to replace all your fetchrow_array and
  1386. fetchrow_hashref calls. A wrapper function will also make it easier to
  1387. adapt to future enhancements in your database driver. Note that at the
  1388. time of this writing (October 2002), the DBI has no standardized way
  1389. to deal with UTF-8 data. Please check the documentation to verify if
  1390. that is still true.
  1391.  
  1392.   sub fetchrow {
  1393.     my($self, $sth, $what) = @_; # $what is one of fetchrow_{array,hashref}
  1394.     if ($] < 5.007) {
  1395.       return $sth->$what;
  1396.     } else {
  1397.       require Encode;
  1398.       if (wantarray) {
  1399.         my @arr = $sth->$what;
  1400.         for (@arr) {
  1401.           defined && /[^\000-\177]/ && Encode::_utf8_on($_);
  1402.         }
  1403.         return @arr;
  1404.       } else {
  1405.         my $ret = $sth->$what;
  1406.         if (ref $ret) {
  1407.           for my $k (keys %$ret) {
  1408.             defined && /[^\000-\177]/ && Encode::_utf8_on($_) for $ret->{$k};
  1409.           }
  1410.           return $ret;
  1411.         } else {
  1412.           defined && /[^\000-\177]/ && Encode::_utf8_on($_) for $ret;
  1413.           return $ret;
  1414.         }
  1415.       }
  1416.     }
  1417.   }
  1418.  
  1419.  
  1420. =item *
  1421.  
  1422. A large scalar that you know can only contain ASCII
  1423.  
  1424. Scalars that contain only ASCII and are marked as UTF-8 are sometimes
  1425. a drag to your program. If you recognize such a situation, just remove
  1426. the UTF-8 flag:
  1427.  
  1428.   utf8::downgrade($val) if $] > 5.007;
  1429.  
  1430. =back
  1431.  
  1432. =head1 SEE ALSO
  1433.  
  1434. L<perluniintro>, L<encoding>, L<Encode>, L<open>, L<utf8>, L<bytes>,
  1435. L<perlretut>, L<perlvar/"${^UNICODE}">
  1436.  
  1437. =cut
  1438.