pod/perlunicode.pod

   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 People who want to learn to use Unicode in Perl, should probably read
  14 L<the Perl Unicode tutorial|perlunitut> before reading this reference
  15 document.
  16
  17 =over 4
  18
  19 =item Input and Output Layers
  20
  21 Perl knows when a filehandle uses Perl's internal Unicode encodings
  22 (UTF-8, or UTF-EBCDIC if in EBCDIC) if the filehandle is opened with
  23 the ":utf8" layer.  Other encodings can be converted to Perl's
  24 encoding on input or from Perl's encoding on output by use of the
  25 ":encoding(...)"  layer.  See L<open>.
  26
  27 To indicate that Perl source itself is in UTF-8, use C<use utf8;>.
  28
  29 =item Regular Expressions
  30
  31 The regular expression compiler produces polymorphic opcodes.  That is,
  32 the pattern adapts to the data and automatically switches to the Unicode
  33 character scheme when presented with data that is internally encoded in
  34 UTF-8 -- or instead uses a traditional byte scheme when presented with
  35 byte data.
  36
  37 =item C<use utf8> still needed to enable UTF-8/UTF-EBCDIC in scripts
  38
  39 As a compatibility measure, the C<use utf8> pragma must be explicitly
  40 included to enable recognition of UTF-8 in the Perl scripts themselves
  41 (in string or regular expression literals, or in identifier names) on
  42 ASCII-based machines or to recognize UTF-EBCDIC on EBCDIC-based
  43 machines.  B<These are the only times when an explicit C<use utf8>
  44 is needed.>  See L<utf8>.
  45
  46 =item BOM-marked scripts and UTF-16 scripts autodetected
  47
  48 If a Perl script begins marked with the Unicode BOM (UTF-16LE, UTF16-BE,
  49 or UTF-8), or if the script looks like non-BOM-marked UTF-16 of either
  50 endianness, Perl will correctly read in the script as Unicode.
  51 (BOMless UTF-8 cannot be effectively recognized or differentiated from
  52 ISO 8859-1 or other eight-bit encodings.)
  53
  54 =item C<use encoding> needed to upgrade non-Latin-1 byte strings
  55
  56 By default, there is a fundamental asymmetry in Perl's Unicode model:
  57 implicit upgrading from byte strings to Unicode strings assumes that
  58 they were encoded in I<ISO 8859-1 (Latin-1)>, but Unicode strings are
  59 downgraded with UTF-8 encoding.  This happens because the first 256
  60 codepoints in Unicode happens to agree with Latin-1.
  61
  62 See L</"Byte and Character Semantics"> for more details.
  63
  64 =back
  65
  66 =head2 Byte and Character Semantics
  67
  68 Beginning with version 5.6, Perl uses logically-wide characters to
  69 represent strings internally.
  70
  71 In future, Perl-level operations will be expected to work with
  72 characters rather than bytes.
  73
  74 However, as an interim compatibility measure, Perl aims to
  75 provide a safe migration path from byte semantics to character
  76 semantics for programs.  For operations where Perl can unambiguously
  77 decide that the input data are characters, Perl switches to
  78 character semantics.  For operations where this determination cannot
  79 be made without additional information from the user, Perl decides in
  80 favor of compatibility and chooses to use byte semantics.
  81
  82 This behavior preserves compatibility with earlier versions of Perl,
  83 which allowed byte semantics in Perl operations only if
  84 none of the program's inputs were marked as being as source of Unicode
  85 character data.  Such data may come from filehandles, from calls to
  86 external programs, from information provided by the system (such as %ENV),
  87 or from literals and constants in the source text.
  88
  89 The C<bytes> pragma will always, regardless of platform, force byte
  90 semantics in a particular lexical scope.  See L<bytes>.
  91
  92 The C<utf8> pragma is primarily a compatibility device that enables
  93 recognition of UTF-(8|EBCDIC) in literals encountered by the parser.
  94 Note that this pragma is only required while Perl defaults to byte
  95 semantics; when character semantics become the default, this pragma
  96 may become a no-op.  See L<utf8>.
  97
  98 Unless explicitly stated, Perl operators use character semantics
  99 for Unicode data and byte semantics for non-Unicode data.
 100 The decision to use character semantics is made transparently.  If
 101 input data comes from a Unicode source--for example, if a character
 102 encoding layer is added to a filehandle or a literal Unicode
 103 string constant appears in a program--character semantics apply.
 104 Otherwise, byte semantics are in effect.  The C<bytes> pragma should
 105 be used to force byte semantics on Unicode data.
 106
 107 If strings operating under byte semantics and strings with Unicode
 108 character data are concatenated, the new string will be created by
 109 decoding the byte strings as I<ISO 8859-1 (Latin-1)>, even if the
 110 old Unicode string used EBCDIC.  This translation is done without
 111 regard to the system's native 8-bit encoding.
 112
 113 Under character semantics, many operations that formerly operated on
 114 bytes now operate on characters. A character in Perl is
 115 logically just a number ranging from 0 to 2**31 or so. Larger
 116 characters may encode into longer sequences of bytes internally, but
 117 this internal detail is mostly hidden for Perl code.
 118 See L<perluniintro> for more.
 119
 120 =head2 Effects of Character Semantics
 121
 122 Character semantics have the following effects:
 123
 124 =over 4
 125
 126 =item *
 127
 128 Strings--including hash keys--and regular expression patterns may
 129 contain characters that have an ordinal value larger than 255.
 130
 131 If you use a Unicode editor to edit your program, Unicode characters may
 132 occur directly within the literal strings in UTF-8 encoding, or UTF-16.
 133 (The former requires a BOM or C<use utf8>, the latter requires a BOM.)
 134
 135 Unicode characters can also be added to a string by using the C<\x{...}>
 136 notation.  The Unicode code for the desired character, in hexadecimal,
 137 should be placed in the braces. For instance, a smiley face is
 138 C<\x{263A}>.  This encoding scheme only works for all characters, but
 139 for characters under 0x100, note that Perl may use an 8 bit encoding
 140 internally, for optimization and/or backward compatibility.
 141
 142 Additionally, if you
 143
 144    use charnames ':full';
 145
 146 you can use the C<\N{...}> notation and put the official Unicode
 147 character name within the braces, such as C<\N{WHITE SMILING FACE}>.
 148
 149 =item *
 150
 151 If an appropriate L<encoding> is specified, identifiers within the
 152 Perl script may contain Unicode alphanumeric characters, including
 153 ideographs.  Perl does not currently attempt to canonicalize variable
 154 names.
 155
 156 =item *
 157
 158 Regular expressions match characters instead of bytes.  "." matches
 159 a character instead of a byte.
 160
 161 =item *
 162
 163 Character classes in regular expressions match characters instead of
 164 bytes and match against the character properties specified in the
 165 Unicode properties database.  C<\w> can be used to match a Japanese
 166 ideograph, for instance.
 167
 168 =item *
 169
 170 Named Unicode properties, scripts, and block ranges may be used like
 171 character classes via the C<\p{}> "matches property" construct and
 172 the C<\P{}> negation, "doesn't match property".
 173
 174 See L</"Unicode Character Properties"> for more details.
 175
 176 You can define your own character properties and use them
 177 in the regular expression with the C<\p{}> or C<\P{}> construct.
 178
 179 See L</"User-Defined Character Properties"> for more details.
 180
 181 =item *
 182
 183 The special pattern C<\X> matches any extended Unicode
 184 sequence--"a combining character sequence" in Standardese--where the
 185 first character is a base character and subsequent characters are mark
 186 characters that apply to the base character.  C<\X> is equivalent to
 187 C<(?:\PM\pM*)>.
 188
 189 =item *
 190
 191 The C<tr///> operator translates characters instead of bytes.  Note
 192 that the C<tr///CU> functionality has been removed.  For similar
 193 functionality see pack('U0', ...) and pack('C0', ...).
 194
 195 =item *
 196
 197 Case translation operators use the Unicode case translation tables
 198 when character input is provided.  Note that C<uc()>, or C<\U> in
 199 interpolated strings, translates to uppercase, while C<ucfirst>,
 200 or C<\u> in interpolated strings, translates to titlecase in languages
 201 that make the distinction.
 202
 203 =item *
 204
 205 Most operators that deal with positions or lengths in a string will
 206 automatically switch to using character positions, including
 207 C<chop()>, C<chomp()>, C<substr()>, C<pos()>, C<index()>, C<rindex()>,
 208 C<sprintf()>, C<write()>, and C<length()>.  An operator that
 209 specifically does not switch is C<vec()>.  Operators that really don't
 210 care include operators that treat strings as a bucket of bits such as
 211 C<sort()>, and operators dealing with filenames.
 212
 213 =item *
 214
 215 The C<pack()>/C<unpack()> letter C<C> does I<not> change, since it is often
 216 used for byte-oriented formats.  Again, think C<char> in the C language.
 217
 218 There is a new C<U> specifier that converts between Unicode characters
 219 and code points. There is also a C<W> specifier that is the equivalent of
 220 C<chr>/C<ord> and properly handles character values even if they are above 255.
 221
 222 =item *
 223
 224 The C<chr()> and C<ord()> functions work on characters, similar to
 225 C<pack("W")> and C<unpack("W")>, I<not> C<pack("C")> and
 226 C<unpack("C")>.  C<pack("C")> and C<unpack("C")> are methods for
 227 emulating byte-oriented C<chr()> and C<ord()> on Unicode strings.
 228 While these methods reveal the internal encoding of Unicode strings,
 229 that is not something one normally needs to care about at all.
 230
 231 =item *
 232
 233 The bit string operators, C<& | ^ ~>, can operate on character data.
 234 However, for backward compatibility, such as when using bit string
 235 operations when characters are all less than 256 in ordinal value, one
 236 should not use C<~> (the bit complement) with characters of both
 237 values less than 256 and values greater than 256.  Most importantly,
 238 DeMorgan's laws (C<~($x|$y) eq ~$x&~$y> and C<~($x&$y) eq ~$x|~$y>)
 239 will not hold.  The reason for this mathematical I<faux pas> is that
 240 the complement cannot return B<both> the 8-bit (byte-wide) bit
 241 complement B<and> the full character-wide bit complement.
 242
 243 =item *
 244
 245 lc(), uc(), lcfirst(), and ucfirst() work for the following cases:
 246
 247 =over 8
 248
 249 =item *
 250
 251 the case mapping is from a single Unicode character to another
 252 single Unicode character, or
 253
 254 =item *
 255
 256 the case mapping is from a single Unicode character to more
 257 than one Unicode character.
 258
 259 =back
 260
 261 Things to do with locales (Lithuanian, Turkish, Azeri) do B<not> work
 262 since Perl does not understand the concept of Unicode locales.
 263
 264 See the Unicode Technical Report #21, Case Mappings, for more details.
 265
 266 But you can also define your own mappings to be used in the lc(),
 267 lcfirst(), uc(), and ucfirst() (or their string-inlined versions).
 268
 269 See L</"User-Defined Case Mappings"> for more details.
 270
 271 =back
 272
 273 =over 4
 274
 275 =item *
 276
 277 And finally, C<scalar reverse()> reverses by character rather than by byte.
 278
 279 =back
 280
 281 =head2 Unicode Character Properties
 282
 283 Named Unicode properties, scripts, and block ranges may be used like
 284 character classes via the C<\p{}> "matches property" construct and
 285 the C<\P{}> negation, "doesn't match property".
 286
 287 For instance, C<\p{Lu}> matches any character with the Unicode "Lu"
 288 (Letter, uppercase) property, while C<\p{M}> matches any character
 289 with an "M" (mark--accents and such) property.  Brackets are not
 290 required for single letter properties, so C<\p{M}> is equivalent to
 291 C<\pM>. Many predefined properties are available, such as
 292 C<\p{Mirrored}> and C<\p{Tibetan}>.
 293
 294 The official Unicode script and block names have spaces and dashes as
 295 separators, but for convenience you can use dashes, spaces, or
 296 underbars, and case is unimportant. It is recommended, however, that
 297 for consistency you use the following naming: the official Unicode
 298 script, property, or block name (see below for the additional rules
 299 that apply to block names) with whitespace and dashes removed, and the
 300 words "uppercase-first-lowercase-rest". C<Latin-1 Supplement> thus
 301 becomes C<Latin1Supplement>.
 302
 303 You can also use negation in both C<\p{}> and C<\P{}> by introducing a caret
 304 (^) between the first brace and the property name: C<\p{^Tamil}> is
 305 equal to C<\P{Tamil}>.
 306
 307 B<NOTE: the properties, scripts, and blocks listed here are as of
 308 Unicode 5.0.0 in July 2006.>
 309
 310 =over 4
 311
 312 =item General Category
 313
 314 Here are the basic Unicode General Category properties, followed by their
 315 long form.  You can use either; C<\p{Lu}> and C<\p{UppercaseLetter}>,
 316 for instance, are identical.
 317
 318     Short       Long
 319
 320     L           Letter
 321     LC          CasedLetter
 322     Lu          UppercaseLetter
 323     Ll          LowercaseLetter
 324     Lt          TitlecaseLetter
 325     Lm          ModifierLetter
 326     Lo          OtherLetter
 327
 328     M           Mark
 329     Mn          NonspacingMark
 330     Mc          SpacingMark
 331     Me          EnclosingMark
 332
 333     N           Number
 334     Nd          DecimalNumber
 335     Nl          LetterNumber
 336     No          OtherNumber
 337
 338     P           Punctuation
 339     Pc          ConnectorPunctuation
 340     Pd          DashPunctuation
 341     Ps          OpenPunctuation
 342     Pe          ClosePunctuation
 343     Pi          InitialPunctuation
 344                 (may behave like Ps or Pe depending on usage)
 345     Pf          FinalPunctuation
 346                 (may behave like Ps or Pe depending on usage)
 347     Po          OtherPunctuation
 348
 349     S           Symbol
 350     Sm          MathSymbol
 351     Sc          CurrencySymbol
 352     Sk          ModifierSymbol
 353     So          OtherSymbol
 354
 355     Z           Separator
 356     Zs          SpaceSeparator
 357     Zl          LineSeparator
 358     Zp          ParagraphSeparator
 359
 360     C           Other
 361     Cc          Control
 362     Cf          Format
 363     Cs          Surrogate   (not usable)
 364     Co          PrivateUse
 365     Cn          Unassigned
 366
 367 Single-letter properties match all characters in any of the
 368 two-letter sub-properties starting with the same letter.
 369 C<LC> and C<L&> are special cases, which are aliases for the set of
 370 C<Ll>, C<Lu>, and C<Lt>.
 371
 372 Because Perl hides the need for the user to understand the internal
 373 representation of Unicode characters, there is no need to implement
 374 the somewhat messy concept of surrogates. C<Cs> is therefore not
 375 supported.
 376
 377 =item Bidirectional Character Types
 378
 379 Because scripts differ in their directionality--Hebrew is
 380 written right to left, for example--Unicode supplies these properties in
 381 the BidiClass class:
 382
 383     Property    Meaning
 384
 385     L           Left-to-Right
 386     LRE         Left-to-Right Embedding
 387     LRO         Left-to-Right Override
 388     R           Right-to-Left
 389     AL          Right-to-Left Arabic
 390     RLE         Right-to-Left Embedding
 391     RLO         Right-to-Left Override
 392     PDF         Pop Directional Format
 393     EN          European Number
 394     ES          European Number Separator
 395     ET          European Number Terminator
 396     AN          Arabic Number
 397     CS          Common Number Separator
 398     NSM         Non-Spacing Mark
 399     BN          Boundary Neutral
 400     B           Paragraph Separator
 401     S           Segment Separator
 402     WS          Whitespace
 403     ON          Other Neutrals
 404
 405 For example, C<\p{BidiClass:R}> matches characters that are normally
 406 written right to left.
 407
 408 =item Scripts
 409
 410 The script names which can be used by C<\p{...}> and C<\P{...}>,
 411 such as in C<\p{Latin}> or C<\p{Cyrillic}>, are as follows:
 412
 413     Arabic
 414     Armenian
 415     Balinese
 416     Bengali
 417     Bopomofo
 418     Braille
 419     Buginese
 420     Buhid
 421     CanadianAboriginal
 422     Cherokee
 423     Coptic
 424     Cuneiform
 425     Cypriot
 426     Cyrillic
 427     Deseret
 428     Devanagari
 429     Ethiopic
 430     Georgian
 431     Glagolitic
 432     Gothic
 433     Greek
 434     Gujarati
 435     Gurmukhi
 436     Han
 437     Hangul
 438     Hanunoo
 439     Hebrew
 440     Hiragana
 441     Inherited
 442     Kannada
 443     Katakana
 444     Kharoshthi
 445     Khmer
 446     Lao
 447     Latin
 448     Limbu
 449     LinearB
 450     Malayalam
 451     Mongolian
 452     Myanmar
 453     NewTaiLue
 454     Nko
 455     Ogham
 456     OldItalic
 457     OldPersian
 458     Oriya
 459     Osmanya
 460     PhagsPa
 461     Phoenician
 462     Runic
 463     Shavian
 464     Sinhala
 465     SylotiNagri
 466     Syriac
 467     Tagalog
 468     Tagbanwa
 469     TaiLe
 470     Tamil
 471     Telugu
 472     Thaana
 473     Thai
 474     Tibetan
 475     Tifinagh
 476     Ugaritic
 477     Yi
 478
 479 =item Extended property classes
 480
 481 Extended property classes can supplement the basic
 482 properties, defined by the F<PropList> Unicode database:
 483
 484     ASCIIHexDigit
 485     BidiControl
 486     Dash
 487     Deprecated
 488     Diacritic
 489     Extender
 490     HexDigit
 491     Hyphen
 492     Ideographic
 493     IDSBinaryOperator
 494     IDSTrinaryOperator
 495     JoinControl
 496     LogicalOrderException
 497     NoncharacterCodePoint
 498     OtherAlphabetic
 499     OtherDefaultIgnorableCodePoint
 500     OtherGraphemeExtend
 501     OtherIDStart
 502     OtherIDContinue
 503     OtherLowercase
 504     OtherMath
 505     OtherUppercase
 506     PatternSyntax
 507     PatternWhiteSpace
 508     QuotationMark
 509     Radical
 510     SoftDotted
 511     STerm
 512     TerminalPunctuation
 513     UnifiedIdeograph
 514     VariationSelector
 515     WhiteSpace
 516
 517 and there are further derived properties:
 518
 519     Alphabetic  =  Lu + Ll + Lt + Lm + Lo + Nl + OtherAlphabetic
 520     Lowercase   =  Ll + OtherLowercase
 521     Uppercase   =  Lu + OtherUppercase
 522     Math        =  Sm + OtherMath
 523
 524     IDStart     =  Lu + Ll + Lt + Lm + Lo + Nl + OtherIDStart
 525     IDContinue  =  IDStart + Mn + Mc + Nd + Pc + OtherIDContinue
 526
 527     DefaultIgnorableCodePoint
 528                 =  OtherDefaultIgnorableCodePoint
 529                    + Cf + Cc + Cs + Noncharacters + VariationSelector
 530                    - WhiteSpace - FFF9..FFFB (Annotation Characters)
 531
 532     Any         =  Any code points (i.e. U+0000 to U+10FFFF)
 533     Assigned    =  Any non-Cn code points (i.e. synonym for \P{Cn})
 534     Unassigned  =  Synonym for \p{Cn}
 535     ASCII       =  ASCII (i.e. U+0000 to U+007F)
 536
 537     Common      =  Any character (or unassigned code point)
 538                    not explicitly assigned to a script
 539
 540 =item Use of "Is" Prefix
 541
 542 For backward compatibility (with Perl 5.6), all properties mentioned
 543 so far may have C<Is> prepended to their name, so C<\P{IsLu}>, for
 544 example, is equal to C<\P{Lu}>.
 545
 546 =item Blocks
 547
 548 In addition to B<scripts>, Unicode also defines B<blocks> of
 549 characters.  The difference between scripts and blocks is that the
 550 concept of scripts is closer to natural languages, while the concept
 551 of blocks is more of an artificial grouping based on groups of 256
 552 Unicode characters. For example, the C<Latin> script contains letters
 553 from many blocks but does not contain all the characters from those
 554 blocks. It does not, for example, contain digits, because digits are
 555 shared across many scripts. Digits and similar groups, like
 556 punctuation, are in a category called C<Common>.
 557
 558 For more about scripts, see the UAX#24 "Script Names":
 559
 560    http://www.unicode.org/reports/tr24/
 561
 562 For more about blocks, see:
 563
 564    http://www.unicode.org/Public/UNIDATA/Blocks.txt
 565
 566 Block names are given with the C<In> prefix. For example, the
 567 Katakana block is referenced via C<\p{InKatakana}>.  The C<In>
 568 prefix may be omitted if there is no naming conflict with a script
 569 or any other property, but it is recommended that C<In> always be used
 570 for block tests to avoid confusion.
 571
 572 These block names are supported:
 573
 574     InAegeanNumbers
 575     InAlphabeticPresentationForms
 576     InAncientGreekMusicalNotation
 577     InAncientGreekNumbers
 578     InArabic
 579     InArabicPresentationFormsA
 580     InArabicPresentationFormsB
 581     InArabicSupplement
 582     InArmenian
 583     InArrows
 584     InBalinese
 585     InBasicLatin
 586     InBengali
 587     InBlockElements
 588     InBopomofo
 589     InBopomofoExtended
 590     InBoxDrawing
 591     InBraillePatterns
 592     InBuginese
 593     InBuhid
 594     InByzantineMusicalSymbols
 595     InCJKCompatibility
 596     InCJKCompatibilityForms
 597     InCJKCompatibilityIdeographs
 598     InCJKCompatibilityIdeographsSupplement
 599     InCJKRadicalsSupplement
 600     InCJKStrokes
 601     InCJKSymbolsAndPunctuation
 602     InCJKUnifiedIdeographs
 603     InCJKUnifiedIdeographsExtensionA
 604     InCJKUnifiedIdeographsExtensionB
 605     InCherokee
 606     InCombiningDiacriticalMarks
 607     InCombiningDiacriticalMarksSupplement
 608     InCombiningDiacriticalMarksforSymbols
 609     InCombiningHalfMarks
 610     InControlPictures
 611     InCoptic
 612     InCountingRodNumerals
 613     InCuneiform
 614     InCuneiformNumbersAndPunctuation
 615     InCurrencySymbols
 616     InCypriotSyllabary
 617     InCyrillic
 618     InCyrillicSupplement
 619     InDeseret
 620     InDevanagari
 621     InDingbats
 622     InEnclosedAlphanumerics
 623     InEnclosedCJKLettersAndMonths
 624     InEthiopic
 625     InEthiopicExtended
 626     InEthiopicSupplement
 627     InGeneralPunctuation
 628     InGeometricShapes
 629     InGeorgian
 630     InGeorgianSupplement
 631     InGlagolitic
 632     InGothic
 633     InGreekExtended
 634     InGreekAndCoptic
 635     InGujarati
 636     InGurmukhi
 637     InHalfwidthAndFullwidthForms
 638     InHangulCompatibilityJamo
 639     InHangulJamo
 640     InHangulSyllables
 641     InHanunoo
 642     InHebrew
 643     InHighPrivateUseSurrogates
 644     InHighSurrogates
 645     InHiragana
 646     InIPAExtensions
 647     InIdeographicDescriptionCharacters
 648     InKanbun
 649     InKangxiRadicals
 650     InKannada
 651     InKatakana
 652     InKatakanaPhoneticExtensions
 653     InKharoshthi
 654     InKhmer
 655     InKhmerSymbols
 656     InLao
 657     InLatin1Supplement
 658     InLatinExtendedA
 659     InLatinExtendedAdditional
 660     InLatinExtendedB
 661     InLatinExtendedC
 662     InLatinExtendedD
 663     InLetterlikeSymbols
 664     InLimbu
 665     InLinearBIdeograms
 666     InLinearBSyllabary
 667     InLowSurrogates
 668     InMalayalam
 669     InMathematicalAlphanumericSymbols
 670     InMathematicalOperators
 671     InMiscellaneousMathematicalSymbolsA
 672     InMiscellaneousMathematicalSymbolsB
 673     InMiscellaneousSymbols
 674     InMiscellaneousSymbolsAndArrows
 675     InMiscellaneousTechnical
 676     InModifierToneLetters
 677     InMongolian
 678     InMusicalSymbols
 679     InMyanmar
 680     InNKo
 681     InNewTaiLue
 682     InNumberForms
 683     InOgham
 684     InOldItalic
 685     InOldPersian
 686     InOpticalCharacterRecognition
 687     InOriya
 688     InOsmanya
 689     InPhagspa
 690     InPhoenician
 691     InPhoneticExtensions
 692     InPhoneticExtensionsSupplement
 693     InPrivateUseArea
 694     InRunic
 695     InShavian
 696     InSinhala
 697     InSmallFormVariants
 698     InSpacingModifierLetters
 699     InSpecials
 700     InSuperscriptsAndSubscripts
 701     InSupplementalArrowsA
 702     InSupplementalArrowsB
 703     InSupplementalMathematicalOperators
 704     InSupplementalPunctuation
 705     InSupplementaryPrivateUseAreaA
 706     InSupplementaryPrivateUseAreaB
 707     InSylotiNagri
 708     InSyriac
 709     InTagalog
 710     InTagbanwa
 711     InTags
 712     InTaiLe
 713     InTaiXuanJingSymbols
 714     InTamil
 715     InTelugu
 716     InThaana
 717     InThai
 718     InTibetan
 719     InTifinagh
 720     InUgaritic
 721     InUnifiedCanadianAboriginalSyllabics
 722     InVariationSelectors
 723     InVariationSelectorsSupplement
 724     InVerticalForms
 725     InYiRadicals
 726     InYiSyllables
 727     InYijingHexagramSymbols
 728
 729 =back
 730
 731 =head2 User-Defined Character Properties
 732
 733 You can define your own character properties by defining subroutines
 734 whose names begin with "In" or "Is".  The subroutines can be defined in
 735 any package.  The user-defined properties can be used in the regular
 736 expression C<\p> and C<\P> constructs; if you are using a user-defined
 737 property from a package other than the one you are in, you must specify
 738 its package in the C<\p> or C<\P> construct.
 739
 740     # assuming property IsForeign defined in Lang::
 741     package main;  # property package name required
 742     if ($txt =~ /\p{Lang::IsForeign}+/) { ... }
 743
 744     package Lang;  # property package name not required
 745     if ($txt =~ /\p{IsForeign}+/) { ... }
 746
 747
 748 Note that the effect is compile-time and immutable once defined.
 749
 750 The subroutines must return a specially-formatted string, with one
 751 or more newline-separated lines.  Each line must be one of the following:
 752
 753 =over 4
 754
 755 =item *
 756
 757 A single hexadecimal number denoting a Unicode code point to include.
 758
 759 =item *
 760
 761 Two hexadecimal numbers separated by horizontal whitespace (space or
 762 tabular characters) denoting a range of Unicode code points to include.
 763
 764 =item *
 765
 766 Something to include, prefixed by "+": a built-in character
 767 property (prefixed by "utf8::") or a user-defined character property,
 768 to represent all the characters in that property; two hexadecimal code
 769 points for a range; or a single hexadecimal code point.
 770
 771 =item *
 772
 773 Something to exclude, prefixed by "-": an existing character
 774 property (prefixed by "utf8::") or a user-defined character property,
 775 to represent all the characters in that property; two hexadecimal code
 776 points for a range; or a single hexadecimal code point.
 777
 778 =item *
 779
 780 Something to negate, prefixed "!": an existing character
 781 property (prefixed by "utf8::") or a user-defined character property,
 782 to represent all the characters in that property; two hexadecimal code
 783 points for a range; or a single hexadecimal code point.
 784
 785 =item *
 786
 787 Something to intersect with, prefixed by "&": an existing character
 788 property (prefixed by "utf8::") or a user-defined character property,
 789 for all the characters except the characters in the property; two
 790 hexadecimal code points for a range; or a single hexadecimal code point.
 791
 792 =back
 793
 794 For example, to define a property that covers both the Japanese
 795 syllabaries (hiragana and katakana), you can define
 796
 797     sub InKana {
 798         return <<END;
 799     3040\t309F
 800     30A0\t30FF
 801     END
 802     }
 803
 804 Imagine that the here-doc end marker is at the beginning of the line.
 805 Now you can use C<\p{InKana}> and C<\P{InKana}>.
 806
 807 You could also have used the existing block property names:
 808
 809     sub InKana {
 810         return <<'END';
 811     +utf8::InHiragana
 812     +utf8::InKatakana
 813     END
 814     }
 815
 816 Suppose you wanted to match only the allocated characters,
 817 not the raw block ranges: in other words, you want to remove
 818 the non-characters:
 819
 820     sub InKana {
 821         return <<'END';
 822     +utf8::InHiragana
 823     +utf8::InKatakana
 824     -utf8::IsCn
 825     END
 826     }
 827
 828 The negation is useful for defining (surprise!) negated classes.
 829
 830     sub InNotKana {
 831         return <<'END';
 832     !utf8::InHiragana
 833     -utf8::InKatakana
 834     +utf8::IsCn
 835     END
 836     }
 837
 838 Intersection is useful for getting the common characters matched by
 839 two (or more) classes.
 840
 841     sub InFooAndBar {
 842         return <<'END';
 843     +main::Foo
 844     &main::Bar
 845     END
 846     }
 847
 848 It's important to remember not to use "&" for the first set -- that
 849 would be intersecting with nothing (resulting in an empty set).
 850
 851 =head2 User-Defined Case Mappings
 852
 853 You can also define your own mappings to be used in the lc(),
 854 lcfirst(), uc(), and ucfirst() (or their string-inlined versions).
 855 The principle is similar to that of user-defined character
 856 properties: to define subroutines in the C<main> package
 857 with names like C<ToLower> (for lc() and lcfirst()), C<ToTitle> (for
 858 the first character in ucfirst()), and C<ToUpper> (for uc(), and the
 859 rest of the characters in ucfirst()).
 860
 861 The string returned by the subroutines needs now to be three
 862 hexadecimal numbers separated by tabulators: start of the source
 863 range, end of the source range, and start of the destination range.
 864 For example:
 865
 866     sub ToUpper {
 867         return <<END;
 868     0061\t0063\t0041
 869     END
 870     }
 871
 872 defines an uc() mapping that causes only the characters "a", "b", and
 873 "c" to be mapped to "A", "B", "C", all other characters will remain
 874 unchanged.
 875
 876 If there is no source range to speak of, that is, the mapping is from
 877 a single character to another single character, leave the end of the
 878 source range empty, but the two tabulator characters are still needed.
 879 For example:
 880
 881     sub ToLower {
 882         return <<END;
 883     0041\t\t0061
 884     END
 885     }
 886
 887 defines a lc() mapping that causes only "A" to be mapped to "a", all
 888 other characters will remain unchanged.
 889
 890 (For serious hackers only)  If you want to introspect the default
 891 mappings, you can find the data in the directory
 892 C<$Config{privlib}>/F<unicore/To/>.  The mapping data is returned as
 893 the here-document, and the C<utf8::ToSpecFoo> are special exception
 894 mappings derived from <$Config{privlib}>/F<unicore/SpecialCasing.txt>.
 895 The C<Digit> and C<Fold> mappings that one can see in the directory
 896 are not directly user-accessible, one can use either the
 897 C<Unicode::UCD> module, or just match case-insensitively (that's when
 898 the C<Fold> mapping is used).
 899
 900 A final note on the user-defined case mappings: they will be used
 901 only if the scalar has been marked as having Unicode characters.
 902 Old byte-style strings will not be affected.
 903
 904 =head2 Character Encodings for Input and Output
 905
 906 See L<Encode>.
 907
 908 =head2 Unicode Regular Expression Support Level
 909
 910 The following list of Unicode support for regular expressions describes
 911 all the features currently supported.  The references to "Level N"
 912 and the section numbers refer to the Unicode Technical Standard #18,
 913 "Unicode Regular Expressions", version 11, in May 2005.
 914
 915 =over 4
 916
 917 =item *
 918
 919 Level 1 - Basic Unicode Support
 920
 921         RL1.1   Hex Notation                        - done          [1]
 922         RL1.2   Properties                          - done          [2][3]
 923         RL1.2a  Compatibility Properties            - done          [4]
 924         RL1.3   Subtraction and Intersection        - MISSING       [5]
 925         RL1.4   Simple Word Boundaries              - done          [6]
 926         RL1.5   Simple Loose Matches                - done          [7]
 927         RL1.6   Line Boundaries                     - MISSING       [8]
 928         RL1.7   Supplementary Code Points           - done          [9]
 929
 930         [1]  \x{...}
 931         [2]  \p{...} \P{...}
 932         [3]  supports not only minimal list (general category, scripts,
 933              Alphabetic, Lowercase, Uppercase, WhiteSpace,
 934              NoncharacterCodePoint, DefaultIgnorableCodePoint, Any,
 935              ASCII, Assigned), but also bidirectional types, blocks, etc.
 936              (see L</"Unicode Character Properties">)
 937         [4]  \d \D \s \S \w \W \X [:prop:] [:^prop:]
 938         [5]  can use regular expression look-ahead [a] or
 939              user-defined character properties [b] to emulate set operations
 940         [6]  \b \B
 941         [7]  note that Perl does Full case-folding in matching, not Simple:
 942              for example U+1F88 is equivalent with U+1F00 U+03B9,
 943              not with 1F80.  This difference matters for certain Greek
 944              capital letters with certain modifiers: the Full case-folding
 945              decomposes the letter, while the Simple case-folding would map
 946              it to a single character.
 947         [8]  should do ^ and $ also on U+000B (\v in C), FF (\f), CR (\r),
 948              CRLF (\r\n), NEL (U+0085), LS (U+2028), and PS (U+2029);
 949              should also affect <>, $., and script line numbers;
 950              should not split lines within CRLF [c] (i.e. there is no empty
 951              line between \r and \n)
 952         [9]  UTF-8/UTF-EBDDIC used in perl allows not only U+10000 to U+10FFFF
 953              but also beyond U+10FFFF [d]
 954
 955 [a] You can mimic class subtraction using lookahead.
 956 For example, what UTS#18 might write as
 957
 958     [{Greek}-[{UNASSIGNED}]]
 959
 960 in Perl can be written as:
 961
 962     (?!\p{Unassigned})\p{InGreekAndCoptic}
 963     (?=\p{Assigned})\p{InGreekAndCoptic}
 964
 965 But in this particular example, you probably really want
 966
 967     \p{GreekAndCoptic}
 968
 969 which will match assigned characters known to be part of the Greek script.
 970
 971 Also see the Unicode::Regex::Set module, it does implement the full
 972 UTS#18 grouping, intersection, union, and removal (subtraction) syntax.
 973
 974 [b] '+' for union, '-' for removal (set-difference), '&' for intersection
 975 (see L</"User-Defined Character Properties">)
 976
 977 [c] Try the C<:crlf> layer (see L<PerlIO>).
 978
 979 [d] Avoid C<use warning 'utf8';> (or say C<no warning 'utf8';>) to allow
 980 U+FFFF (C<\x{FFFF}>).
 981
 982 =item *
 983
 984 Level 2 - Extended Unicode Support
 985
 986         RL2.1   Canonical Equivalents           - MISSING       [10][11]
 987         RL2.2   Default Grapheme Clusters       - MISSING       [12][13]
 988         RL2.3   Default Word Boundaries         - MISSING       [14]
 989         RL2.4   Default Loose Matches           - MISSING       [15]
 990         RL2.5   Name Properties                 - MISSING       [16]
 991         RL2.6   Wildcard Properties             - MISSING
 992
 993         [10] see UAX#15 "Unicode Normalization Forms"
 994         [11] have Unicode::Normalize but not integrated to regexes
 995         [12] have \X but at this level . should equal that
 996         [13] UAX#29 "Text Boundaries" considers CRLF and Hangul syllable
 997              clusters as a single grapheme cluster.
 998         [14] see UAX#29, Word Boundaries
 999         [15] see UAX#21 "Case Mappings"
1000         [16] have \N{...} but neither compute names of CJK Ideographs
1001              and Hangul Syllables nor use a loose match [e]
1002
1003 [e] C<\N{...}> allows namespaces (see L<charnames>).
1004
1005 =item *
1006
1007 Level 3 - Tailored Support
1008
1009         RL3.1   Tailored Punctuation            - MISSING
1010         RL3.2   Tailored Grapheme Clusters      - MISSING       [17][18]
1011         RL3.3   Tailored Word Boundaries        - MISSING
1012         RL3.4   Tailored Loose Matches          - MISSING
1013         RL3.5   Tailored Ranges                 - MISSING
1014         RL3.6   Context Matching                - MISSING       [19]
1015         RL3.7   Incremental Matches             - MISSING
1016       ( RL3.8   Unicode Set Sharing )
1017         RL3.9   Possible Match Sets             - MISSING
1018         RL3.10  Folded Matching                 - MISSING       [20]
1019         RL3.11  Submatchers                     - MISSING
1020
1021         [17] see UAX#10 "Unicode Collation Algorithms"
1022         [18] have Unicode::Collate but not integrated to regexes
1023         [19] have (?<=x) and (?=x), but look-aheads or look-behinds should see
1024              outside of the target substring
1025         [20] need insensitive matching for linguistic features other than case;
1026              for example, hiragana to katakana, wide and narrow, simplified Han
1027              to traditional Han (see UTR#30 "Character Foldings")
1028
1029 =back
1030
1031 =head2 Unicode Encodings
1032
1033 Unicode characters are assigned to I<code points>, which are abstract
1034 numbers.  To use these numbers, various encodings are needed.
1035
1036 =over 4
1037
1038 =item *
1039
1040 UTF-8
1041
1042 UTF-8 is a variable-length (1 to 6 bytes, current character allocations
1043 require 4 bytes), byte-order independent encoding. For ASCII (and we
1044 really do mean 7-bit ASCII, not another 8-bit encoding), UTF-8 is
1045 transparent.
1046
1047 The following table is from Unicode 3.2.
1048
1049  Code Points            1st Byte  2nd Byte  3rd Byte  4th Byte
1050
1051    U+0000..U+007F       00..7F
1052    U+0080..U+07FF       C2..DF    80..BF
1053    U+0800..U+0FFF       E0        A0..BF    80..BF
1054    U+1000..U+CFFF       E1..EC    80..BF    80..BF
1055    U+D000..U+D7FF       ED        80..9F    80..BF
1056    U+D800..U+DFFF       ******* ill-formed *******
1057    U+E000..U+FFFF       EE..EF    80..BF    80..BF
1058   U+10000..U+3FFFF      F0        90..BF    80..BF    80..BF
1059   U+40000..U+FFFFF      F1..F3    80..BF    80..BF    80..BF
1060  U+100000..U+10FFFF     F4        80..8F    80..BF    80..BF
1061
1062 Note the C<A0..BF> in C<U+0800..U+0FFF>, the C<80..9F> in
1063 C<U+D000...U+D7FF>, the C<90..B>F in C<U+10000..U+3FFFF>, and the
1064 C<80...8F> in C<U+100000..U+10FFFF>.  The "gaps" are caused by legal
1065 UTF-8 avoiding non-shortest encodings: it is technically possible to
1066 UTF-8-encode a single code point in different ways, but that is
1067 explicitly forbidden, and the shortest possible encoding should always
1068 be used.  So that's what Perl does.
1069
1070 Another way to look at it is via bits:
1071
1072  Code Points                    1st Byte   2nd Byte  3rd Byte  4th Byte
1073
1074                     0aaaaaaa     0aaaaaaa
1075             00000bbbbbaaaaaa     110bbbbb  10aaaaaa
1076             ccccbbbbbbaaaaaa     1110cccc  10bbbbbb  10aaaaaa
1077   00000dddccccccbbbbbbaaaaaa     11110ddd  10cccccc  10bbbbbb  10aaaaaa
1078
1079 As you can see, the continuation bytes all begin with C<10>, and the
1080 leading bits of the start byte tell how many bytes the are in the
1081 encoded character.
1082
1083 =item *
1084
1085 UTF-EBCDIC
1086
1087 Like UTF-8 but EBCDIC-safe, in the way that UTF-8 is ASCII-safe.
1088
1089 =item *
1090
1091 UTF-16, UTF-16BE, UTF-16LE, Surrogates, and BOMs (Byte Order Marks)
1092
1093 The followings items are mostly for reference and general Unicode
1094 knowledge, Perl doesn't use these constructs internally.
1095
1096 UTF-16 is a 2 or 4 byte encoding.  The Unicode code points
1097 C<U+0000..U+FFFF> are stored in a single 16-bit unit, and the code
1098 points C<U+10000..U+10FFFF> in two 16-bit units.  The latter case is
1099 using I<surrogates>, the first 16-bit unit being the I<high
1100 surrogate>, and the second being the I<low surrogate>.
1101
1102 Surrogates are code points set aside to encode the C<U+10000..U+10FFFF>
1103 range of Unicode code points in pairs of 16-bit units.  The I<high
1104 surrogates> are the range C<U+D800..U+DBFF>, and the I<low surrogates>
1105 are the range C<U+DC00..U+DFFF>.  The surrogate encoding is
1106
1107         $hi = ($uni - 0x10000) / 0x400 + 0xD800;
1108         $lo = ($uni - 0x10000) % 0x400 + 0xDC00;
1109
1110 and the decoding is
1111
1112         $uni = 0x10000 + ($hi - 0xD800) * 0x400 + ($lo - 0xDC00);
1113
1114 If you try to generate surrogates (for example by using chr()), you
1115 will get a warning if warnings are turned on, because those code
1116 points are not valid for a Unicode character.
1117
1118 Because of the 16-bitness, UTF-16 is byte-order dependent.  UTF-16
1119 itself can be used for in-memory computations, but if storage or
1120 transfer is required either UTF-16BE (big-endian) or UTF-16LE
1121 (little-endian) encodings must be chosen.
1122
1123 This introduces another problem: what if you just know that your data
1124 is UTF-16, but you don't know which endianness?  Byte Order Marks, or
1125 BOMs, are a solution to this.  A special character has been reserved
1126 in Unicode to function as a byte order marker: the character with the
1127 code point C<U+FEFF> is the BOM.
1128
1129 The trick is that if you read a BOM, you will know the byte order,
1130 since if it was written on a big-endian platform, you will read the
1131 bytes C<0xFE 0xFF>, but if it was written on a little-endian platform,
1132 you will read the bytes C<0xFF 0xFE>.  (And if the originating platform
1133 was writing in UTF-8, you will read the bytes C<0xEF 0xBB 0xBF>.)
1134
1135 The way this trick works is that the character with the code point
1136 C<U+FFFE> is guaranteed not to be a valid Unicode character, so the
1137 sequence of bytes C<0xFF 0xFE> is unambiguously "BOM, represented in
1138 little-endian format" and cannot be C<U+FFFE>, represented in big-endian
1139 format".
1140
1141 =item *
1142
1143 UTF-32, UTF-32BE, UTF-32LE
1144
1145 The UTF-32 family is pretty much like the UTF-16 family, expect that
1146 the units are 32-bit, and therefore the surrogate scheme is not
1147 needed.  The BOM signatures will be C<0x00 0x00 0xFE 0xFF> for BE and
1148 C<0xFF 0xFE 0x00 0x00> for LE.
1149
1150 =item *
1151
1152 UCS-2, UCS-4
1153
1154 Encodings defined by the ISO 10646 standard.  UCS-2 is a 16-bit
1155 encoding.  Unlike UTF-16, UCS-2 is not extensible beyond C<U+FFFF>,
1156 because it does not use surrogates.  UCS-4 is a 32-bit encoding,
1157 functionally identical to UTF-32.
1158
1159 =item *
1160
1161 UTF-7
1162
1163 A seven-bit safe (non-eight-bit) encoding, which is useful if the
1164 transport or storage is not eight-bit safe.  Defined by RFC 2152.
1165
1166 =back
1167
1168 =head2 Security Implications of Unicode
1169
1170 =over 4
1171
1172 =item *
1173
1174 Malformed UTF-8
1175
1176 Unfortunately, the specification of UTF-8 leaves some room for
1177 interpretation of how many bytes of encoded output one should generate
1178 from one input Unicode character.  Strictly speaking, the shortest
1179 possible sequence of UTF-8 bytes should be generated,
1180 because otherwise there is potential for an input buffer overflow at
1181 the receiving end of a UTF-8 connection.  Perl always generates the
1182 shortest length UTF-8, and with warnings on Perl will warn about
1183 non-shortest length UTF-8 along with other malformations, such as the
1184 surrogates, which are not real Unicode code points.
1185
1186 =item *
1187
1188 Regular expressions behave slightly differently between byte data and
1189 character (Unicode) data.  For example, the "word character" character
1190 class C<\w> will work differently depending on if data is eight-bit bytes
1191 or Unicode.
1192
1193 In the first case, the set of C<\w> characters is either small--the
1194 default set of alphabetic characters, digits, and the "_"--or, if you
1195 are using a locale (see L<perllocale>), the C<\w> might contain a few
1196 more letters according to your language and country.
1197
1198 In the second case, the C<\w> set of characters is much, much larger.
1199 Most importantly, even in the set of the first 256 characters, it will
1200 probably match different characters: unlike most locales, which are
1201 specific to a language and country pair, Unicode classifies all the
1202 characters that are letters I<somewhere> as C<\w>.  For example, your
1203 locale might not think that LATIN SMALL LETTER ETH is a letter (unless
1204 you happen to speak Icelandic), but Unicode does.
1205
1206 As discussed elsewhere, Perl has one foot (two hooves?) planted in
1207 each of two worlds: the old world of bytes and the new world of
1208 characters, upgrading from bytes to characters when necessary.
1209 If your legacy code does not explicitly use Unicode, no automatic
1210 switch-over to characters should happen.  Characters shouldn't get
1211 downgraded to bytes, either.  It is possible to accidentally mix bytes
1212 and characters, however (see L<perluniintro>), in which case C<\w> in
1213 regular expressions might start behaving differently.  Review your
1214 code.  Use warnings and the C<strict> pragma.
1215
1216 =back
1217
1218 =head2 Unicode in Perl on EBCDIC
1219
1220 The way Unicode is handled on EBCDIC platforms is still
1221 experimental.  On such platforms, references to UTF-8 encoding in this
1222 document and elsewhere should be read as meaning the UTF-EBCDIC
1223 specified in Unicode Technical Report 16, unless ASCII vs. EBCDIC issues
1224 are specifically discussed. There is no C<utfebcdic> pragma or
1225 ":utfebcdic" layer; rather, "utf8" and ":utf8" are reused to mean
1226 the platform's "natural" 8-bit encoding of Unicode. See L<perlebcdic>
1227 for more discussion of the issues.
1228
1229 =head2 Locales
1230
1231 Usually locale settings and Unicode do not affect each other, but
1232 there are a couple of exceptions:
1233
1234 =over 4
1235
1236 =item *
1237
1238 You can enable automatic UTF-8-ification of your standard file
1239 handles, default C<open()> layer, and C<@ARGV> by using either
1240 the C<-C> command line switch or the C<PERL_UNICODE> environment
1241 variable, see L<perlrun> for the documentation of the C<-C> switch.
1242
1243 =item *
1244
1245 Perl tries really hard to work both with Unicode and the old
1246 byte-oriented world. Most often this is nice, but sometimes Perl's
1247 straddling of the proverbial fence causes problems.
1248
1249 =back
1250
1251 =head2 When Unicode Does Not Happen
1252
1253 While Perl does have extensive ways to input and output in Unicode,
1254 and few other 'entry points' like the @ARGV which can be interpreted
1255 as Unicode (UTF-8), there still are many places where Unicode (in some
1256 encoding or another) could be given as arguments or received as
1257 results, or both, but it is not.
1258
1259 The following are such interfaces.  For all of these interfaces Perl
1260 currently (as of 5.8.3) simply assumes byte strings both as arguments
1261 and results, or UTF-8 strings if the C<encoding> pragma has been used.
1262
1263 One reason why Perl does not attempt to resolve the role of Unicode in
1264 this cases is that the answers are highly dependent on the operating
1265 system and the file system(s).  For example, whether filenames can be
1266 in Unicode, and in exactly what kind of encoding, is not exactly a
1267 portable concept.  Similarly for the qx and system: how well will the
1268 'command line interface' (and which of them?) handle Unicode?
1269
1270 =over 4
1271
1272 =item *
1273
1274 chdir, chmod, chown, chroot, exec, link, lstat, mkdir,
1275 rename, rmdir, stat, symlink, truncate, unlink, utime, -X
1276
1277 =item *
1278
1279 %ENV
1280
1281 =item *
1282
1283 glob (aka the <*>)
1284
1285 =item *
1286
1287 open, opendir, sysopen
1288
1289 =item *
1290
1291 qx (aka the backtick operator), system
1292
1293 =item *
1294
1295 readdir, readlink
1296
1297 =back
1298
1299 =head2 Forcing Unicode in Perl (Or Unforcing Unicode in Perl)
1300
1301 Sometimes (see L</"When Unicode Does Not Happen">) there are
1302 situations where you simply need to force Perl to believe that a byte
1303 string is UTF-8, or vice versa.  The low-level calls
1304 utf8::upgrade($bytestring) and utf8::downgrade($utf8string) are
1305 the answers.
1306
1307 Do not use them without careful thought, though: Perl may easily get
1308 very confused, angry, or even crash, if you suddenly change the 'nature'
1309 of scalar like that.  Especially careful you have to be if you use the
1310 utf8::upgrade(): any random byte string is not valid UTF-8.
1311
1312 =head2 Using Unicode in XS
1313
1314 If you want to handle Perl Unicode in XS extensions, you may find the
1315 following C APIs useful.  See also L<perlguts/"Unicode Support"> for an
1316 explanation about Unicode at the XS level, and L<perlapi> for the API
1317 details.
1318
1319 =over 4
1320
1321 =item *
1322
1323 C<DO_UTF8(sv)> returns true if the C<UTF8> flag is on and the bytes
1324 pragma is not in effect.  C<SvUTF8(sv)> returns true is the C<UTF8>
1325 flag is on; the bytes pragma is ignored.  The C<UTF8> flag being on
1326 does B<not> mean that there are any characters of code points greater
1327 than 255 (or 127) in the scalar or that there are even any characters
1328 in the scalar.  What the C<UTF8> flag means is that the sequence of
1329 octets in the representation of the scalar is the sequence of UTF-8
1330 encoded code points of the characters of a string.  The C<UTF8> flag
1331 being off means that each octet in this representation encodes a
1332 single character with code point 0..255 within the string.  Perl's
1333 Unicode model is not to use UTF-8 until it is absolutely necessary.
1334
1335 =item *
1336
1337 C<uvuni_to_utf8(buf, chr)> writes a Unicode character code point into
1338 a buffer encoding the code point as UTF-8, and returns a pointer
1339 pointing after the UTF-8 bytes.
1340
1341 =item *
1342
1343 C<utf8_to_uvuni(buf, lenp)> reads UTF-8 encoded bytes from a buffer and
1344 returns the Unicode character code point and, optionally, the length of
1345 the UTF-8 byte sequence.
1346
1347 =item *
1348
1349 C<utf8_length(start, end)> returns the length of the UTF-8 encoded buffer
1350 in characters.  C<sv_len_utf8(sv)> returns the length of the UTF-8 encoded
1351 scalar.
1352
1353 =item *
1354
1355 C<sv_utf8_upgrade(sv)> converts the string of the scalar to its UTF-8
1356 encoded form.  C<sv_utf8_downgrade(sv)> does the opposite, if
1357 possible.  C<sv_utf8_encode(sv)> is like sv_utf8_upgrade except that
1358 it does not set the C<UTF8> flag.  C<sv_utf8_decode()> does the
1359 opposite of C<sv_utf8_encode()>.  Note that none of these are to be
1360 used as general-purpose encoding or decoding interfaces: C<use Encode>
1361 for that.  C<sv_utf8_upgrade()> is affected by the encoding pragma
1362 but C<sv_utf8_downgrade()> is not (since the encoding pragma is
1363 designed to be a one-way street).
1364
1365 =item *
1366
1367 C<is_utf8_char(s)> returns true if the pointer points to a valid UTF-8
1368 character.
1369
1370 =item *
1371
1372 C<is_utf8_string(buf, len)> returns true if C<len> bytes of the buffer
1373 are valid UTF-8.
1374
1375 =item *
1376
1377 C<UTF8SKIP(buf)> will return the number of bytes in the UTF-8 encoded
1378 character in the buffer.  C<UNISKIP(chr)> will return the number of bytes
1379 required to UTF-8-encode the Unicode character code point.  C<UTF8SKIP()>
1380 is useful for example for iterating over the characters of a UTF-8
1381 encoded buffer; C<UNISKIP()> is useful, for example, in computing
1382 the size required for a UTF-8 encoded buffer.
1383
1384 =item *
1385
1386 C<utf8_distance(a, b)> will tell the distance in characters between the
1387 two pointers pointing to the same UTF-8 encoded buffer.
1388
1389 =item *
1390
1391 C<utf8_hop(s, off)> will return a pointer to an UTF-8 encoded buffer
1392 that is C<off> (positive or negative) Unicode characters displaced
1393 from the UTF-8 buffer C<s>.  Be careful not to overstep the buffer:
1394 C<utf8_hop()> will merrily run off the end or the beginning of the
1395 buffer if told to do so.
1396
1397 =item *
1398
1399 C<pv_uni_display(dsv, spv, len, pvlim, flags)> and
1400 C<sv_uni_display(dsv, ssv, pvlim, flags)> are useful for debugging the
1401 output of Unicode strings and scalars.  By default they are useful
1402 only for debugging--they display B<all> characters as hexadecimal code
1403 points--but with the flags C<UNI_DISPLAY_ISPRINT>,
1404 C<UNI_DISPLAY_BACKSLASH>, and C<UNI_DISPLAY_QQ> you can make the
1405 output more readable.
1406
1407 =item *
1408
1409 C<ibcmp_utf8(s1, pe1, u1, l1, u1, s2, pe2, l2, u2)> can be used to
1410 compare two strings case-insensitively in Unicode.  For case-sensitive
1411 comparisons you can just use C<memEQ()> and C<memNE()> as usual.
1412
1413 =back
1414
1415 For more information, see L<perlapi>, and F<utf8.c> and F<utf8.h>
1416 in the Perl source code distribution.
1417
1418 =head1 BUGS
1419
1420 =head2 Interaction with Locales
1421
1422 Use of locales with Unicode data may lead to odd results.  Currently,
1423 Perl attempts to attach 8-bit locale info to characters in the range
1424 0..255, but this technique is demonstrably incorrect for locales that
1425 use characters above that range when mapped into Unicode.  Perl's
1426 Unicode support will also tend to run slower.  Use of locales with
1427 Unicode is discouraged.
1428
1429 =head2 Interaction with Extensions
1430
1431 When Perl exchanges data with an extension, the extension should be
1432 able to understand the UTF8 flag and act accordingly. If the
1433 extension doesn't know about the flag, it's likely that the extension
1434 will return incorrectly-flagged data.
1435
1436 So if you're working with Unicode data, consult the documentation of
1437 every module you're using if there are any issues with Unicode data
1438 exchange. If the documentation does not talk about Unicode at all,
1439 suspect the worst and probably look at the source to learn how the
1440 module is implemented. Modules written completely in Perl shouldn't
1441 cause problems. Modules that directly or indirectly access code written
1442 in other programming languages are at risk.
1443
1444 For affected functions, the simple strategy to avoid data corruption is
1445 to always make the encoding of the exchanged data explicit. Choose an
1446 encoding that you know the extension can handle. Convert arguments passed
1447 to the extensions to that encoding and convert results back from that
1448 encoding. Write wrapper functions that do the conversions for you, so
1449 you can later change the functions when the extension catches up.
1450
1451 To provide an example, let's say the popular Foo::Bar::escape_html
1452 function doesn't deal with Unicode data yet. The wrapper function
1453 would convert the argument to raw UTF-8 and convert the result back to
1454 Perl's internal representation like so:
1455
1456     sub my_escape_html ($) {
1457       my($what) = shift;
1458       return unless defined $what;
1459       Encode::decode_utf8(Foo::Bar::escape_html(Encode::encode_utf8($what)));
1460     }
1461
1462 Sometimes, when the extension does not convert data but just stores
1463 and retrieves them, you will be in a position to use the otherwise
1464 dangerous Encode::_utf8_on() function. Let's say the popular
1465 C<Foo::Bar> extension, written in C, provides a C<param> method that
1466 lets you store and retrieve data according to these prototypes:
1467
1468     $self->param($name, $value);            # set a scalar
1469     $value = $self->param($name);           # retrieve a scalar
1470
1471 If it does not yet provide support for any encoding, one could write a
1472 derived class with such a C<param> method:
1473
1474     sub param {
1475       my($self,$name,$value) = @_;
1476       utf8::upgrade($name);     # make sure it is UTF-8 encoded
1477       if (defined $value) {
1478         utf8::upgrade($value);  # make sure it is UTF-8 encoded
1479         return $self->SUPER::param($name,$value);
1480       } else {
1481         my $ret = $self->SUPER::param($name);
1482         Encode::_utf8_on($ret); # we know, it is UTF-8 encoded
1483         return $ret;
1484       }
1485     }
1486
1487 Some extensions provide filters on data entry/exit points, such as
1488 DB_File::filter_store_key and family. Look out for such filters in
1489 the documentation of your extensions, they can make the transition to
1490 Unicode data much easier.
1491
1492 =head2 Speed
1493
1494 Some functions are slower when working on UTF-8 encoded strings than
1495 on byte encoded strings.  All functions that need to hop over
1496 characters such as length(), substr() or index(), or matching regular
1497 expressions can work B<much> faster when the underlying data are
1498 byte-encoded.
1499
1500 In Perl 5.8.0 the slowness was often quite spectacular; in Perl 5.8.1
1501 a caching scheme was introduced which will hopefully make the slowness
1502 somewhat less spectacular, at least for some operations.  In general,
1503 operations with UTF-8 encoded strings are still slower. As an example,
1504 the Unicode properties (character classes) like C<\p{Nd}> are known to
1505 be quite a bit slower (5-20 times) than their simpler counterparts
1506 like C<\d> (then again, there 268 Unicode characters matching C<Nd>
1507 compared with the 10 ASCII characters matching C<d>).
1508
1509 =head2 Porting code from perl-5.6.X
1510
1511 Perl 5.8 has a different Unicode model from 5.6. In 5.6 the programmer
1512 was required to use the C<utf8> pragma to declare that a given scope
1513 expected to deal with Unicode data and had to make sure that only
1514 Unicode data were reaching that scope. If you have code that is
1515 working with 5.6, you will need some of the following adjustments to
1516 your code. The examples are written such that the code will continue
1517 to work under 5.6, so you should be safe to try them out.
1518
1519 =over 4
1520
1521 =item *
1522
1523 A filehandle that should read or write UTF-8
1524
1525   if ($] > 5.007) {
1526     binmode $fh, ":utf8";
1527   }
1528
1529 =item *
1530
1531 A scalar that is going to be passed to some extension
1532
1533 Be it Compress::Zlib, Apache::Request or any extension that has no
1534 mention of Unicode in the manpage, you need to make sure that the
1535 UTF8 flag is stripped off. Note that at the time of this writing
1536 (October 2002) the mentioned modules are not UTF-8-aware. Please
1537 check the documentation to verify if this is still true.
1538
1539   if ($] > 5.007) {
1540     require Encode;
1541     $val = Encode::encode_utf8($val); # make octets
1542   }
1543
1544 =item *
1545
1546 A scalar we got back from an extension
1547
1548 If you believe the scalar comes back as UTF-8, you will most likely
1549 want the UTF8 flag restored:
1550
1551   if ($] > 5.007) {
1552     require Encode;
1553     $val = Encode::decode_utf8($val);
1554   }
1555
1556 =item *
1557
1558 Same thing, if you are really sure it is UTF-8
1559
1560   if ($] > 5.007) {
1561     require Encode;
1562     Encode::_utf8_on($val);
1563   }
1564
1565 =item *
1566
1567 A wrapper for fetchrow_array and fetchrow_hashref
1568
1569 When the database contains only UTF-8, a wrapper function or method is
1570 a convenient way to replace all your fetchrow_array and
1571 fetchrow_hashref calls. A wrapper function will also make it easier to
1572 adapt to future enhancements in your database driver. Note that at the
1573 time of this writing (October 2002), the DBI has no standardized way
1574 to deal with UTF-8 data. Please check the documentation to verify if
1575 that is still true.
1576
1577   sub fetchrow {
1578     my($self, $sth, $what) = @_; # $what is one of fetchrow_{array,hashref}
1579     if ($] < 5.007) {
1580       return $sth->$what;
1581     } else {
1582       require Encode;
1583       if (wantarray) {
1584         my @arr = $sth->$what;
1585         for (@arr) {
1586           defined && /[^\000-\177]/ && Encode::_utf8_on($_);
1587         }
1588         return @arr;
1589       } else {
1590         my $ret = $sth->$what;
1591         if (ref $ret) {
1592           for my $k (keys %$ret) {
1593             defined && /[^\000-\177]/ && Encode::_utf8_on($_) for $ret->{$k};
1594           }
1595           return $ret;
1596         } else {
1597           defined && /[^\000-\177]/ && Encode::_utf8_on($_) for $ret;
1598           return $ret;
1599         }
1600       }
1601     }
1602   }
1603
1604
1605 =item *
1606
1607 A large scalar that you know can only contain ASCII
1608
1609 Scalars that contain only ASCII and are marked as UTF-8 are sometimes
1610 a drag to your program. If you recognize such a situation, just remove
1611 the UTF8 flag:
1612
1613   utf8::downgrade($val) if $] > 5.007;
1614
1615 =back
1616
1617 =head1 SEE ALSO
1618
1619 L<perlunitut>, L<perluniintro>, L<Encode>, L<open>, L<utf8>, L<bytes>,
1620 L<perlretut>, L<perlvar/"${^UNICODE}">
1621
1622 =cut