home *** CD-ROM | disk | FTP | other *** search
/ OS/2 Shareware BBS: 10 Tools / 10-Tools.zip / perl560.zip / pod / perlunicode.pod < prev    next >
Text File  |  2000-03-13  |  10KB  |  245 lines
  1. =head1 NAME
  2.  
  3. perlunicode - Unicode support in Perl
  4.  
  5. =head1 DESCRIPTION
  6.  
  7. =head2 Important Caveat
  8.  
  9. WARNING: The implementation of Unicode support in Perl is incomplete.
  10.  
  11. The following areas need further work.
  12.  
  13. =over
  14.  
  15. =item Input and Output Disciplines
  16.  
  17. There is currently no easy way to mark data read from a file or other
  18. external source as being utf8.  This will be one of the major areas of
  19. focus in the near future.
  20.  
  21. =item Regular Expressions
  22.  
  23. The existing regular expression compiler does not produce polymorphic
  24. opcodes.  This means that the determination on whether to match Unicode
  25. characters is made when the pattern is compiled, based on whether the
  26. pattern contains Unicode characters, and not when the matching happens
  27. at run time.  This needs to be changed to adaptively match Unicode if
  28. the string to be matched is Unicode.
  29.  
  30. =item C<use utf8> still needed to enable a few features
  31.  
  32. The C<utf8> pragma implements the tables used for Unicode support.  These
  33. tables are automatically loaded on demand, so the C<utf8> pragma need not
  34. normally be used.
  35.  
  36. However, as a compatibility measure, this pragma must be explicitly used
  37. to enable recognition of UTF-8 encoded literals and identifiers in the
  38. source text.
  39.  
  40. =back
  41.  
  42. =head2 Byte and Character semantics
  43.  
  44. Beginning with version 5.6, Perl uses logically wide characters to
  45. represent strings internally.  This internal representation of strings
  46. uses the UTF-8 encoding.
  47.  
  48. In future, Perl-level operations can be expected to work with characters
  49. rather than bytes, in general.
  50.  
  51. However, as strictly an interim compatibility measure, Perl v5.6 aims to
  52. provide a safe migration path from byte semantics to character semantics
  53. for programs.  For operations where Perl can unambiguously decide that the
  54. input data is characters, Perl now switches to character semantics.
  55. For operations where this determination cannot be made without additional
  56. information from the user, Perl decides in favor of compatibility, and
  57. chooses to use byte semantics.
  58.  
  59. This behavior preserves compatibility with earlier versions of Perl,
  60. which allowed byte semantics in Perl operations, but only as long as
  61. none of the program's inputs are marked as being as source of Unicode
  62. character data.  Such data may come from filehandles, from calls to
  63. external programs, from information provided by the system (such as %ENV),
  64. or from literals and constants in the source text.
  65.  
  66. If the C<-C> command line switch is used, (or the ${^WIDE_SYSTEM_CALLS}
  67. global flag is set to C<1>), all system calls will use the
  68. corresponding wide character APIs.  This is currently only implemented
  69. on Windows.
  70.  
  71. Regardless of the above, the C<bytes> pragma can always be used to force
  72. byte semantics in a particular lexical scope.  See L<bytes>.
  73.  
  74. The C<utf8> pragma is primarily a compatibility device that enables
  75. recognition of UTF-8 in literals encountered by the parser.  It may also
  76. be used for enabling some of the more experimental Unicode support features.
  77. Note that this pragma is only required until a future version of Perl
  78. in which character semantics will become the default.  This pragma may
  79. then become a no-op.  See L<utf8>.
  80.  
  81. Unless mentioned otherwise, Perl operators will use character semantics
  82. when they are dealing with Unicode data, and byte semantics otherwise.
  83. Thus, character semantics for these operations apply transparently; if
  84. the input data came from a Unicode source (for example, by adding a
  85. character encoding discipline to the filehandle whence it came, or a
  86. literal UTF-8 string constant in the program), character semantics
  87. apply; otherwise, byte semantics are in effect.  To force byte semantics
  88. on Unicode data, the C<bytes> pragma should be used.
  89.  
  90. Under character semantics, many operations that formerly operated on
  91. bytes change to operating on characters.  For ASCII data this makes
  92. no difference, because UTF-8 stores ASCII in single bytes, but for
  93. any character greater than C<chr(127)>, the character may be stored in
  94. a sequence of two or more bytes, all of which have the high bit set.
  95. But by and large, the user need not worry about this, because Perl
  96. hides it from the user.  A character in Perl is logically just a number
  97. ranging from 0 to 2**32 or so.  Larger characters encode to longer
  98. sequences of bytes internally, but again, this is just an internal
  99. detail which is hidden at the Perl level.
  100.  
  101. =head2 Effects of character semantics
  102.  
  103. Character semantics have the following effects:
  104.  
  105. =over 4
  106.  
  107. =item *
  108.  
  109. Strings and patterns may contain characters that have an ordinal value
  110. larger than 255.
  111.  
  112. Presuming you use a Unicode editor to edit your program, such characters
  113. will typically occur directly within the literal strings as UTF-8
  114. characters, but you can also specify a particular character with an
  115. extension of the C<\x> notation.  UTF-8 characters are specified by
  116. putting the hexadecimal code within curlies after the C<\x>.  For instance,
  117. a Unicode smiley face is C<\x{263A}>.  A character in the Latin-1 range
  118. (128..255) should be written C<\x{ab}> rather than C<\xab>, since the
  119. former will turn into a two-byte UTF-8 code, while the latter will
  120. continue to be interpreted as generating a 8-bit byte rather than a
  121. character.  In fact, if the C<use warnings> pragma of the C<-w> switch
  122. is turned on, it will produce a warning
  123. that you might be generating invalid UTF-8.
  124.  
  125. =item *
  126.  
  127. Identifiers within the Perl script may contain Unicode alphanumeric
  128. characters, including ideographs.  (You are currently on your own when
  129. it comes to using the canonical forms of characters--Perl doesn't (yet)
  130. attempt to canonicalize variable names for you.)
  131.  
  132. =item *
  133.  
  134. Regular expressions match characters instead of bytes.  For instance,
  135. "." matches a character instead of a byte.  (However, the C<\C> pattern
  136. is provided to force a match a single byte ("C<char>" in C, hence
  137. C<\C>).)
  138.  
  139. =item *
  140.  
  141. Character classes in regular expressions match characters instead of
  142. bytes, and match against the character properties specified in the
  143. Unicode properties database.  So C<\w> can be used to match an ideograph,
  144. for instance.
  145.  
  146. =item *
  147.  
  148. Named Unicode properties and block ranges make be used as character
  149. classes via the new C<\p{}> (matches property) and C<\P{}> (doesn't
  150. match property) constructs.  For instance, C<\p{Lu}> matches any
  151. character with the Unicode uppercase property, while C<\p{M}> matches
  152. any mark character.  Single letter properties may omit the brackets, so
  153. that can be written C<\pM> also.  Many predefined character classes are
  154. available, such as C<\p{IsMirrored}> and  C<\p{InTibetan}>.
  155.  
  156. =item *
  157.  
  158. The special pattern C<\X> match matches any extended Unicode sequence
  159. (a "combining character sequence" in Standardese), where the first
  160. character is a base character and subsequent characters are mark
  161. characters that apply to the base character.  It is equivalent to
  162. C<(?:\PM\pM*)>.
  163.  
  164. =item *
  165.  
  166. The C<tr///> operator translates characters instead of bytes.  It can also
  167. be forced to translate between 8-bit codes and UTF-8.  For instance, if you
  168. know your input in Latin-1, you can say:
  169.  
  170.     while (<>) {
  171.     tr/\0-\xff//CU;        # latin1 char to utf8
  172.     ...
  173.     }
  174.  
  175. Similarly you could translate your output with
  176.  
  177.     tr/\0-\x{ff}//UC;        # utf8 to latin1 char
  178.  
  179. No, C<s///> doesn't take /U or /C (yet?).
  180.  
  181. =item *
  182.  
  183. Case translation operators use the Unicode case translation tables
  184. when provided character input.  Note that C<uc()> translates to
  185. uppercase, while C<ucfirst> translates to titlecase (for languages
  186. that make the distinction).  Naturally the corresponding backslash
  187. sequences have the same semantics.
  188.  
  189. =item *
  190.  
  191. Most operators that deal with positions or lengths in the string will
  192. automatically switch to using character positions, including C<chop()>,
  193. C<substr()>, C<pos()>, C<index()>, C<rindex()>, C<sprintf()>,
  194. C<write()>, and C<length()>.  Operators that specifically don't switch
  195. include C<vec()>, C<pack()>, and C<unpack()>.  Operators that really
  196. don't care include C<chomp()>, as well as any other operator that
  197. treats a string as a bucket of bits, such as C<sort()>, and the
  198. operators dealing with filenames.
  199.  
  200. =item *
  201.  
  202. The C<pack()>/C<unpack()> letters "C<c>" and "C<C>" do I<not> change,
  203. since they're often used for byte-oriented formats.  (Again, think
  204. "C<char>" in the C language.)  However, there is a new "C<U>" specifier
  205. that will convert between UTF-8 characters and integers.  (It works
  206. outside of the utf8 pragma too.)
  207.  
  208. =item *
  209.  
  210. The C<chr()> and C<ord()> functions work on characters.  This is like
  211. C<pack("U")> and C<unpack("U")>, not like C<pack("C")> and
  212. C<unpack("C")>.  In fact, the latter are how you now emulate
  213. byte-oriented C<chr()> and C<ord()> under utf8.
  214.  
  215. =item *
  216.  
  217. And finally, C<scalar reverse()> reverses by character rather than by byte.
  218.  
  219. =back
  220.  
  221. =head2 Character encodings for input and output
  222.  
  223. [XXX: This feature is not yet implemented.]
  224.  
  225. =head1 CAVEATS
  226.  
  227. As of yet, there is no method for automatically coercing input and
  228. output to some encoding other than UTF-8.  This is planned in the near
  229. future, however.
  230.  
  231. Whether an arbitrary piece of data will be treated as "characters" or
  232. "bytes" by internal operations cannot be divined at the current time.
  233.  
  234. Use of locales with utf8 may lead to odd results.  Currently there is
  235. some attempt to apply 8-bit locale info to characters in the range
  236. 0..255, but this is demonstrably incorrect for locales that use
  237. characters above that range (when mapped into Unicode).  It will also
  238. tend to run slower.  Avoidance of locales is strongly encouraged.
  239.  
  240. =head1 SEE ALSO
  241.  
  242. L<bytes>, L<utf8>, L<perlvar/"${^WIDE_SYSTEM_CALLS}">
  243.  
  244. =cut
  245.