home *** CD-ROM | disk | FTP | other *** search
/ PC World 2005 December (Special) / PCWorld_2005-12_Special_cd.bin / Bezpecnost / lsti / lsti.exe / framework-2.5.exe / Unicode.pm < prev    next >
Text File  |  2005-01-27  |  9KB  |  269 lines
  1. package Encode::Unicode;
  2.  
  3. use strict;
  4. use warnings;
  5. no warnings 'redefine';
  6.  
  7. our $VERSION = do { my @r = (q$Revision: 2.2 $ =~ /\d+/g); sprintf "%d."."%02d" x $#r, @r };
  8.  
  9. use XSLoader;
  10. XSLoader::load(__PACKAGE__,$VERSION);
  11.  
  12. #
  13. # Object Generator 8 transcoders all at once!
  14. #
  15.  
  16. require Encode;
  17.  
  18. our %BOM_Unknown = map {$_ => 1} qw(UTF-16 UTF-32);
  19.  
  20. for my $name (qw(UTF-16 UTF-16BE UTF-16LE
  21.                  UTF-32 UTF-32BE UTF-32LE
  22.                         UCS-2BE  UCS-2LE))
  23. {
  24.     my ($size, $endian, $ucs2, $mask);
  25.     $name =~ /^(\w+)-(\d+)(\w*)$/o;
  26.     if ($ucs2 = ($1 eq 'UCS')){
  27.     $size = 2;
  28.     }else{
  29.     $size = $2/8;
  30.     }
  31.     $endian = ($3 eq 'BE') ? 'n' : ($3 eq 'LE') ? 'v' : '' ;
  32.     $size == 4 and $endian = uc($endian);
  33.  
  34.     $Encode::Encoding{$name} =     
  35.     bless {
  36.            Name   =>   $name,
  37.            size   =>   $size,
  38.            endian => $endian,
  39.            ucs2   =>   $ucs2,
  40.           } => __PACKAGE__;
  41. }
  42.  
  43. use base qw(Encode::Encoding);
  44.  
  45. sub renew { 
  46.     my $self = shift;
  47.     $BOM_Unknown{$self->name} or return $self;
  48.     my $clone = bless { %$self } => ref($self);
  49.     $clone->{renewed}++; # so the caller knows it is renewed.
  50.     return $clone;
  51. }
  52.  
  53. # There used to be a perl implemntation of (en|de)code but with
  54. # XS version is ripe, perl version is zapped for optimal speed
  55.  
  56. *decode = \&decode_xs;
  57. *encode = \&encode_xs;
  58.  
  59. 1;
  60. __END__
  61.  
  62. =head1 NAME
  63.  
  64. Encode::Unicode -- Various Unicode Transformation Formats
  65.  
  66. =cut
  67.  
  68. =head1 SYNOPSIS
  69.  
  70.     use Encode qw/encode decode/; 
  71.     $ucs2 = encode("UCS-2BE", $utf8);
  72.     $utf8 = decode("UCS-2BE", $ucs2);
  73.  
  74. =head1 ABSTRACT
  75.  
  76. This module implements all Character Encoding Schemes of Unicode that
  77. are officially documented by Unicode Consortium (except, of course,
  78. for UTF-8, which is a native format in perl).
  79.  
  80. =over 4
  81.  
  82. =item L<http://www.unicode.org/glossary/> says:
  83.  
  84. I<Character Encoding Scheme> A character encoding form plus byte
  85. serialization. There are Seven character encoding schemes in Unicode:
  86. UTF-8, UTF-16, UTF-16BE, UTF-16LE, UTF-32 (UCS-4), UTF-32BE (UCS-4BE) and
  87. UTF-32LE (UCS-4LE), and UTF-7.
  88.  
  89. Since UTF-7 is a 7-bit (re)encoded version of UTF-16BE, It is not part of
  90. Unicode's Character Encoding Scheme.  It is separately implemented in
  91. Encode::Unicode::UTF7.  For details see L<Encode::Unicode::UTF7>.
  92.  
  93. =item Quick Reference
  94.  
  95.                 Decodes from ord(N)           Encodes chr(N) to...
  96.        octet/char BOM S.P d800-dfff  ord > 0xffff     \x{1abcd} ==
  97.   ---------------+-----------------+------------------------------
  98.   UCS-2BE    2   N   N  is bogus                  Not Available
  99.   UCS-2LE       2   N   N     bogus                  Not Available
  100.   UTF-16      2/4   Y   Y  is   S.P           S.P            BE/LE
  101.   UTF-16BE    2/4   N   Y       S.P           S.P    0xd82a,0xdfcd
  102.   UTF-16LE    2   N   Y       S.P           S.P    0x2ad8,0xcddf
  103.   UTF-32    4   Y   -  is bogus         As is            BE/LE
  104.   UTF-32BE    4   N   -     bogus         As is       0x0001abcd
  105.   UTF-32LE    4   N   -     bogus         As is       0xcdab0100
  106.   UTF-8       1-4   -   -     bogus   >= 4 octets   \xf0\x9a\af\8d
  107.   ---------------+-----------------+------------------------------
  108.  
  109. =back
  110.  
  111. =head1 Size, Endianness, and BOM
  112.  
  113. You can categorize these CES by 3 criteria:  size of each character,
  114. endianness, and Byte Order Mark.
  115.  
  116. =head2 by size
  117.  
  118. UCS-2 is a fixed-length encoding with each character taking 16 bits.
  119. It B<does not> support I<surrogate pairs>.  When a surrogate pair
  120. is encountered during decode(), its place is filled with \x{FFFD}
  121. if I<CHECK> is 0, or the routine croaks if I<CHECK> is 1.  When a
  122. character whose ord value is larger than 0xFFFF is encountered,
  123. its place is filled with \x{FFFD} if I<CHECK> is 0, or the routine
  124. croaks if I<CHECK> is 1.
  125.  
  126. UTF-16 is almost the same as UCS-2 but it supports I<surrogate pairs>.
  127. When it encounters a high surrogate (0xD800-0xDBFF), it fetches the
  128. following low surrogate (0xDC00-0xDFFF) and C<desurrogate>s them to
  129. form a character.  Bogus surrogates result in death.  When \x{10000}
  130. or above is encountered during encode(), it C<ensurrogate>s them and
  131. pushes the surrogate pair to the output stream.
  132.  
  133. UTF-32 (UCS-4) is a fixed-length encoding with each character taking 32 bits.
  134. Since it is 32-bit, there is no need for I<surrogate pairs>.
  135.  
  136. =head2 by endianness
  137.  
  138. The first (and now failed) goal of Unicode was to map all character
  139. repertoires into a fixed-length integer so that programmers are happy.
  140. Since each character is either a I<short> or I<long> in C, you have to
  141. pay attention to the endianness of each platform when you pass data
  142. to one another.
  143.  
  144. Anything marked as BE is Big Endian (or network byte order) and LE is
  145. Little Endian (aka VAX byte order).  For anything not marked either
  146. BE or LE, a character called Byte Order Mark (BOM) indicating the
  147. endianness is prepended to the string.
  148.  
  149. CAVEAT: Though BOM in utf8 (\xEF\xBB\xBF) is valid, it is meaningless
  150. and as of this writing Encode suite just leave it as is (\x{FeFF}).
  151.  
  152. =over 4
  153.  
  154. =item BOM as integer when fetched in network byte order
  155.  
  156.               16         32 bits/char
  157.   -------------------------
  158.   BE      0xFeFF 0x0000FeFF
  159.   LE      0xFFeF 0xFFFe0000
  160.   -------------------------
  161.  
  162. =back
  163.  
  164. This modules handles the BOM as follows.
  165.  
  166. =over 4
  167.  
  168. =item *
  169.  
  170. When BE or LE is explicitly stated as the name of encoding, BOM is
  171. simply treated as a normal character (ZERO WIDTH NO-BREAK SPACE).
  172.  
  173. =item *
  174.  
  175. When BE or LE is omitted during decode(), it checks if BOM is at the
  176. beginning of the string; if one is found, the endianness is set to
  177. what the BOM says.  If no BOM is found, the routine dies.
  178.  
  179. =item *
  180.  
  181. When BE or LE is omitted during encode(), it returns a BE-encoded
  182. string with BOM prepended.  So when you want to encode a whole text
  183. file, make sure you encode() the whole text at once, not line by line
  184. or each line, not file, will have a BOM prepended.
  185.  
  186. =item *
  187.  
  188. C<UCS-2> is an exception.  Unlike others, this is an alias of UCS-2BE.
  189. UCS-2 is already registered by IANA and others that way.
  190.  
  191. =back
  192.  
  193. =head1 Surrogate Pairs
  194.  
  195. To say the least, surrogate pairs were the biggest mistake of the
  196. Unicode Consortium.  But according to the late Douglas Adams in I<The
  197. Hitchhiker's Guide to the Galaxy> Trilogy, C<In the beginning the
  198. Universe was created. This has made a lot of people very angry and
  199. been widely regarded as a bad move>.  Their mistake was not of this
  200. magnitude so let's forgive them.
  201.  
  202. (I don't dare make any comparison with Unicode Consortium and the
  203. Vogons here ;)  Or, comparing Encode to Babel Fish is completely
  204. appropriate -- if you can only stick this into your ear :)
  205.  
  206. Surrogate pairs were born when the Unicode Consortium finally
  207. admitted that 16 bits were not big enough to hold all the world's
  208. character repertoires.  But they already made UCS-2 16-bit.  What
  209. do we do?
  210.  
  211. Back then, the range 0xD800-0xDFFF was not allocated.  Let's split
  212. that range in half and use the first half to represent the C<upper
  213. half of a character> and the second half to represent the C<lower
  214. half of a character>.  That way, you can represent 1024 * 1024 =
  215. 1048576 more characters.  Now we can store character ranges up to
  216. \x{10ffff} even with 16-bit encodings.  This pair of half-character is
  217. now called a I<surrogate pair> and UTF-16 is the name of the encoding
  218. that embraces them.
  219.  
  220. Here is a formula to ensurrogate a Unicode character \x{10000} and
  221. above;
  222.  
  223.   $hi = ($uni - 0x10000) / 0x400 + 0xD800;
  224.   $lo = ($uni - 0x10000) % 0x400 + 0xDC00;
  225.  
  226. And to desurrogate;
  227.  
  228.  $uni = 0x10000 + ($hi - 0xD800) * 0x400 + ($lo - 0xDC00);
  229.  
  230. Note this move has made \x{D800}-\x{DFFF} into a forbidden zone but
  231. perl does not prohibit the use of characters within this range.  To perl, 
  232. every one of \x{0000_0000} up to \x{ffff_ffff} (*) is I<a character>.
  233.  
  234.   (*) or \x{ffff_ffff_ffff_ffff} if your perl is compiled with 64-bit
  235.   integer support!
  236.  
  237. =head1 Error Checking
  238.  
  239. Unlike most encodings which accept various ways to handle errors,
  240. Unicode encodings simply croaks.
  241.  
  242.   % perl -MEncode -e '$_ = "\xfe\xff\xd8\xd9\xda\xdb\0\n"' \
  243.          -e 'Encode::from_to($_, "utf16","shift_jis", 0); print'
  244.   UTF-16:Malformed LO surrogate d8d9 at /path/to/Encode.pm line 184.
  245.   % perl -MEncode -e '$a = "BOM missing"' \
  246.          -e ' Encode::from_to($a, "utf16", "shift_jis", 0); print'
  247.   UTF-16:Unrecognised BOM 424f at /path/to/Encode.pm line 184.
  248.  
  249. Unlike other encodings where mappings are not one-to-one against
  250. Unicode, UTFs are supposed to map 100% against one another.  So Encode
  251. is more strict on UTFs.
  252.  
  253. Consider that "division by zero" of Encode :)
  254.  
  255. =head1 SEE ALSO
  256.  
  257. L<Encode>, L<Encode::Unicode::UTF7>, L<http://www.unicode.org/glossary/>,
  258. L<http://www.unicode.org/unicode/faq/utf_bom.html>,
  259.  
  260. RFC 2781 L<http://rfc.net/rfc2781.html>,
  261.  
  262. The whole Unicode standard L<http://www.unicode.org/unicode/uni2book/u2.html>
  263.  
  264. Ch. 15, pp. 403 of C<Programming Perl (3rd Edition)>
  265. by Larry Wall, Tom Christiansen, Jon Orwant; 
  266. O'Reilly & Associates; ISBN 0-596-00027-8
  267.  
  268. =cut
  269.