fix prose from previous lib/bytes.pm doc update
[p5sagit/p5-mst-13.2.git] / lib / utf8.pm
1 package utf8;
2
3 $utf8::hint_bits = 0x00800000;
4
5 our $VERSION = '1.08';
6
7 sub import {
8     $^H |= $utf8::hint_bits;
9     $enc{caller()} = $_[1] if $_[1];
10 }
11
12 sub unimport {
13     $^H &= ~$utf8::hint_bits;
14 }
15
16 sub AUTOLOAD {
17     require "utf8_heavy.pl";
18     goto &$AUTOLOAD if defined &$AUTOLOAD;
19     require Carp;
20     Carp::croak("Undefined subroutine $AUTOLOAD called");
21 }
22
23 1;
24 __END__
25
26 =head1 NAME
27
28 utf8 - Perl pragma to enable/disable UTF-8 (or UTF-EBCDIC) in source code
29
30 =head1 SYNOPSIS
31
32     use utf8;
33     no utf8;
34
35     # Convert the internal representation of a Perl scalar to/from UTF-8.
36
37     $num_octets = utf8::upgrade($string);
38     $success    = utf8::downgrade($string[, FAIL_OK]);
39
40     # Change each character of a Perl scalar to/from a series of
41     # characters that represent the UTF-8 bytes of each original character.
42
43     utf8::encode($string);  # "\x{100}"  becomes "\xc4\x80"
44     utf8::decode($string);  # "\xc4\x80" becomes "\x{100}"
45
46     $flag = utf8::is_utf8(STRING); # since Perl 5.8.1
47     $flag = utf8::valid(STRING);
48
49 =head1 DESCRIPTION
50
51 The C<use utf8> pragma tells the Perl parser to allow UTF-8 in the
52 program text in the current lexical scope (allow UTF-EBCDIC on EBCDIC based
53 platforms).  The C<no utf8> pragma tells Perl to switch back to treating
54 the source text as literal bytes in the current lexical scope.
55
56 B<Do not use this pragma for anything else than telling Perl that your
57 script is written in UTF-8.> The utility functions described below are
58 directly usable without C<use utf8;>.
59
60 Because it is not possible to reliably tell UTF-8 from native 8 bit
61 encodings, you need either a Byte Order Mark at the beginning of your
62 source code, or C<use utf8;>, to instruct perl.
63
64 When UTF-8 becomes the standard source format, this pragma will
65 effectively become a no-op.  For convenience in what follows the term
66 I<UTF-X> is used to refer to UTF-8 on ASCII and ISO Latin based
67 platforms and UTF-EBCDIC on EBCDIC based platforms.
68
69 See also the effects of the C<-C> switch and its cousin, the
70 C<$ENV{PERL_UNICODE}>, in L<perlrun>.
71
72 Enabling the C<utf8> pragma has the following effect:
73
74 =over 4
75
76 =item *
77
78 Bytes in the source text that have their high-bit set will be treated
79 as being part of a literal UTF-X sequence.  This includes most
80 literals such as identifier names, string constants, and constant
81 regular expression patterns.
82
83 On EBCDIC platforms characters in the Latin 1 character set are
84 treated as being part of a literal UTF-EBCDIC character.
85
86 =back
87
88 Note that if you have bytes with the eighth bit on in your script
89 (for example embedded Latin-1 in your string literals), C<use utf8>
90 will be unhappy since the bytes are most probably not well-formed
91 UTF-X.  If you want to have such bytes under C<use utf8>, you can disable
92 this pragma until the end the block (or file, if at top level) by
93 C<no utf8;>.
94
95 =head2 Utility functions
96
97 The following functions are defined in the C<utf8::> package by the
98 Perl core.  You do not need to say C<use utf8> to use these and in fact
99 you should not say that  unless you really want to have UTF-8 source code.
100
101 =over 4
102
103 =item * $num_octets = utf8::upgrade($string)
104
105 Converts in-place the internal representation of the string from an octet
106 sequence in the native encoding (Latin-1 or EBCDIC) to I<UTF-X>. The
107 logical character sequence itself is unchanged.  If I<$string> is already
108 stored as I<UTF-X>, then this is a no-op. Returns the
109 number of octets necessary to represent the string as I<UTF-X>.  Can be
110 used to make sure that the UTF-8 flag is on, so that C<\w> or C<lc()>
111 work as Unicode on strings containing characters in the range 0x80-0xFF
112 (on ASCII and derivatives).
113
114 B<Note that this function does not handle arbitrary encodings.>
115 Therefore Encode is recommended for the general purposes; see also
116 L<Encode>.
117
118 =item * $success = utf8::downgrade($string[, FAIL_OK])
119
120 Converts in-place the the internal representation of the string from
121 I<UTF-X> to the equivalent octet sequence in the native encoding (Latin-1
122 or EBCDIC). The logical character sequence itself is unchanged. If
123 I<$string> is already stored as native 8 bit, then this is a no-op.  Can
124 be used to
125 make sure that the UTF-8 flag is off, e.g. when you want to make sure
126 that the substr() or length() function works with the usually faster
127 byte algorithm.
128
129 Fails if the original I<UTF-X> sequence cannot be represented in the
130 native 8 bit encoding. On failure dies or, if the value of C<FAIL_OK> is
131 true, returns false. 
132
133 Returns true on success.
134
135 B<Note that this function does not handle arbitrary encodings.>
136 Therefore Encode is recommended for the general purposes; see also
137 L<Encode>.
138
139 =item * utf8::encode($string)
140
141 Converts in-place the character sequence to the corresponding octet
142 sequence in I<UTF-X>. That is, every (possibly wide) character gets
143 replaced with a sequence of one or more characters that represent the
144 individual I<UTF-X> bytes of the character.  The UTF8 flag is turned off.
145 Returns nothing.
146
147     my $a = "\x{100}"; # $a contains one character, with ord 0x100
148     utf8::encode($a);  # $a contains two characters, with ords 0xc4 and 0x80
149
150 B<Note that this function does not handle arbitrary encodings.>
151 Therefore Encode is recommended for the general purposes; see also
152 L<Encode>.
153
154 =item * $success = utf8::decode($string)
155
156 Attempts to convert in-place the octet sequence in I<UTF-X> to the
157 corresponding character sequence. That is, it replaces each sequence of
158 characters in the string whose ords represent a valid UTF-X byte
159 sequence, with the corresponding single character.  The UTF-8 flag is
160 turned on only if the source string contains multiple-byte I<UTF-X>
161 characters.  If I<$string> is invalid as I<UTF-X>, returns false;
162 otherwise returns true.
163
164     my $a = "\xc4\x80"; # $a contains two characters, with ords 0xc4 and 0x80
165     utf8::decode($a);   # $a contains one character, with ord 0x100
166
167 B<Note that this function does not handle arbitrary encodings.>
168 Therefore Encode is recommended for the general purposes; see also
169 L<Encode>.
170
171 =item * $flag = utf8::is_utf8(STRING)
172
173 (Since Perl 5.8.1)  Test whether STRING is in UTF-8 internally.
174 Functionally the same as Encode::is_utf8().
175
176 =item * $flag = utf8::valid(STRING)
177
178 [INTERNAL] Test whether STRING is in a consistent state regarding
179 UTF-8.  Will return true is well-formed UTF-8 and has the UTF-8 flag
180 on B<or> if string is held as bytes (both these states are 'consistent').
181 Main reason for this routine is to allow Perl's testsuite to check
182 that operations have left strings in a consistent state.  You most
183 probably want to use utf8::is_utf8() instead.
184
185 =back
186
187 C<utf8::encode> is like C<utf8::upgrade>, but the UTF8 flag is
188 cleared.  See L<perlunicode> for more on the UTF8 flag and the C API
189 functions C<sv_utf8_upgrade>, C<sv_utf8_downgrade>, C<sv_utf8_encode>,
190 and C<sv_utf8_decode>, which are wrapped by the Perl functions
191 C<utf8::upgrade>, C<utf8::downgrade>, C<utf8::encode> and
192 C<utf8::decode>.  Also, the functions utf8::is_utf8, utf8::valid,
193 utf8::encode, utf8::decode, utf8::upgrade, and utf8::downgrade are
194 actually internal, and thus always available, without a C<require utf8>
195 statement.
196
197 =head1 BUGS
198
199 One can have Unicode in identifier names, but not in package/class or
200 subroutine names.  While some limited functionality towards this does
201 exist as of Perl 5.8.0, that is more accidental than designed; use of
202 Unicode for the said purposes is unsupported.
203
204 One reason of this unfinishedness is its (currently) inherent
205 unportability: since both package names and subroutine names may need
206 to be mapped to file and directory names, the Unicode capability of
207 the filesystem becomes important-- and there unfortunately aren't
208 portable answers.
209
210 =head1 SEE ALSO
211
212 L<perlunitut>, L<perluniintro>, L<perlrun>, L<bytes>, L<perlunicode>
213
214 =cut