pod/perlunicode.pod

   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 C<-w> is turned on, it will produce a warning
 122 that you might be generating invalid UTF-8.
 123
 124 =item *
 125
 126 Identifiers within the Perl script may contain Unicode alphanumeric
 127 characters, including ideographs.  (You are currently on your own when
 128 it comes to using the canonical forms of characters--Perl doesn't (yet)
 129 attempt to canonicalize variable names for you.)
 130
 131 =item *
 132
 133 Regular expressions match characters instead of bytes.  For instance,
 134 "." matches a character instead of a byte.  (However, the C<\C> pattern
 135 is provided to force a match a single byte ("C<char>" in C, hence
 136 C<\C>).)
 137
 138 =item *
 139
 140 Character classes in regular expressions match characters instead of
 141 bytes, and match against the character properties specified in the
 142 Unicode properties database.  So C<\w> can be used to match an ideograph,
 143 for instance.
 144
 145 =item *
 146
 147 Named Unicode properties and block ranges make be used as character
 148 classes via the new C<\p{}> (matches property) and C<\P{}> (doesn't
 149 match property) constructs.  For instance, C<\p{Lu}> matches any
 150 character with the Unicode uppercase property, while C<\p{M}> matches
 151 any mark character.  Single letter properties may omit the brackets, so
 152 that can be written C<\pM> also.  Many predefined character classes are
 153 available, such as C<\p{IsMirrored}> and  C<\p{InTibetan}>.
 154
 155 =item *
 156
 157 The special pattern C<\X> match matches any extended Unicode sequence
 158 (a "combining character sequence" in Standardese), where the first
 159 character is a base character and subsequent characters are mark
 160 characters that apply to the base character.  It is equivalent to
 161 C<(?:\PM\pM*)>.
 162
 163 =item *
 164
 165 The C<tr///> operator translates characters instead of bytes.  It can also
 166 be forced to translate between 8-bit codes and UTF-8.  For instance, if you
 167 know your input in Latin-1, you can say:
 168
 169     while (<>) {
 170         tr/\0-\xff//CU;         # latin1 char to utf8
 171         ...
 172     }
 173
 174 Similarly you could translate your output with
 175
 176     tr/\0-\x{ff}//UC;           # utf8 to latin1 char
 177
 178 No, C<s///> doesn't take /U or /C (yet?).
 179
 180 =item *
 181
 182 Case translation operators use the Unicode case translation tables
 183 when provided character input.  Note that C<uc()> translates to
 184 uppercase, while C<ucfirst> translates to titlecase (for languages
 185 that make the distinction).  Naturally the corresponding backslash
 186 sequences have the same semantics.
 187
 188 =item *
 189
 190 Most operators that deal with positions or lengths in the string will
 191 automatically switch to using character positions, including C<chop()>,
 192 C<substr()>, C<pos()>, C<index()>, C<rindex()>, C<sprintf()>,
 193 C<write()>, and C<length()>.  Operators that specifically don't switch
 194 include C<vec()>, C<pack()>, and C<unpack()>.  Operators that really
 195 don't care include C<chomp()>, as well as any other operator that
 196 treats a string as a bucket of bits, such as C<sort()>, and the
 197 operators dealing with filenames.
 198
 199 =item *
 200
 201 The C<pack()>/C<unpack()> letters "C<c>" and "C<C>" do I<not> change,
 202 since they're often used for byte-oriented formats.  (Again, think
 203 "C<char>" in the C language.)  However, there is a new "C<U>" specifier
 204 that will convert between UTF-8 characters and integers.  (It works
 205 outside of the utf8 pragma too.)
 206
 207 =item *
 208
 209 The C<chr()> and C<ord()> functions work on characters.  This is like
 210 C<pack("U")> and C<unpack("U")>, not like C<pack("C")> and
 211 C<unpack("C")>.  In fact, the latter are how you now emulate
 212 byte-oriented C<chr()> and C<ord()> under utf8.
 213
 214 =item *
 215
 216 And finally, C<scalar reverse()> reverses by character rather than by byte.
 217
 218 =back
 219
 220 =head2 Character encodings for input and output
 221
 222 [XXX: This feature is not yet implemented.]
 223
 224 =head1 CAVEATS
 225
 226 As of yet, there is no method for automatically coercing input and
 227 output to some encoding other than UTF-8.  This is planned in the near
 228 future, however.
 229
 230 Whether an arbitrary piece of data will be treated as "characters" or
 231 "bytes" by internal operations cannot be divined at the current time.
 232
 233 Use of locales with utf8 may lead to odd results.  Currently there is
 234 some attempt to apply 8-bit locale info to characters in the range
 235 0..255, but this is demonstrably incorrect for locales that use
 236 characters above that range (when mapped into Unicode).  It will also
 237 tend to run slower.  Avoidance of locales is strongly encouraged.
 238
 239 =head1 SEE ALSO
 240
 241 L<bytes>, L<utf8>, L<perlvar/"${^WIDE_SYSTEM_CALLS}">
 242
 243 =cut