Get mad compiling as C++. (At least for me)
[p5sagit/p5-mst-13.2.git] / pod / perluniintro.pod
1 =head1 NAME
2
3 perluniintro - Perl Unicode introduction
4
5 =head1 DESCRIPTION
6
7 This document gives a general idea of Unicode and how to use Unicode
8 in Perl.
9
10 =head2 Unicode
11
12 Unicode is a character set standard which plans to codify all of the
13 writing systems of the world, plus many other symbols.
14
15 Unicode and ISO/IEC 10646 are coordinated standards that provide code
16 points for characters in almost all modern character set standards,
17 covering more than 30 writing systems and hundreds of languages,
18 including all commercially-important modern languages.  All characters
19 in the largest Chinese, Japanese, and Korean dictionaries are also
20 encoded. The standards will eventually cover almost all characters in
21 more than 250 writing systems and thousands of languages.
22 Unicode 1.0 was released in October 1991, and 4.0 in April 2003.
23
24 A Unicode I<character> is an abstract entity.  It is not bound to any
25 particular integer width, especially not to the C language C<char>.
26 Unicode is language-neutral and display-neutral: it does not encode the
27 language of the text and it does not define fonts or other graphical
28 layout details.  Unicode operates on characters and on text built from
29 those characters.
30
31 Unicode defines characters like C<LATIN CAPITAL LETTER A> or C<GREEK
32 SMALL LETTER ALPHA> and unique numbers for the characters, in this
33 case 0x0041 and 0x03B1, respectively.  These unique numbers are called
34 I<code points>.
35
36 The Unicode standard prefers using hexadecimal notation for the code
37 points.  If numbers like C<0x0041> are unfamiliar to you, take a peek
38 at a later section, L</"Hexadecimal Notation">.  The Unicode standard
39 uses the notation C<U+0041 LATIN CAPITAL LETTER A>, to give the
40 hexadecimal code point and the normative name of the character.
41
42 Unicode also defines various I<properties> for the characters, like
43 "uppercase" or "lowercase", "decimal digit", or "punctuation";
44 these properties are independent of the names of the characters.
45 Furthermore, various operations on the characters like uppercasing,
46 lowercasing, and collating (sorting) are defined.
47
48 A Unicode character consists either of a single code point, or a
49 I<base character> (like C<LATIN CAPITAL LETTER A>), followed by one or
50 more I<modifiers> (like C<COMBINING ACUTE ACCENT>).  This sequence of
51 base character and modifiers is called a I<combining character
52 sequence>.
53
54 Whether to call these combining character sequences "characters"
55 depends on your point of view. If you are a programmer, you probably
56 would tend towards seeing each element in the sequences as one unit,
57 or "character".  The whole sequence could be seen as one "character",
58 however, from the user's point of view, since that's probably what it
59 looks like in the context of the user's language.
60
61 With this "whole sequence" view of characters, the total number of
62 characters is open-ended. But in the programmer's "one unit is one
63 character" point of view, the concept of "characters" is more
64 deterministic.  In this document, we take that second  point of view:
65 one "character" is one Unicode code point, be it a base character or
66 a combining character.
67
68 For some combinations, there are I<precomposed> characters.
69 C<LATIN CAPITAL LETTER A WITH ACUTE>, for example, is defined as
70 a single code point.  These precomposed characters are, however,
71 only available for some combinations, and are mainly
72 meant to support round-trip conversions between Unicode and legacy
73 standards (like the ISO 8859).  In the general case, the composing
74 method is more extensible.  To support conversion between
75 different compositions of the characters, various I<normalization
76 forms> to standardize representations are also defined.
77
78 Because of backward compatibility with legacy encodings, the "a unique
79 number for every character" idea breaks down a bit: instead, there is
80 "at least one number for every character".  The same character could
81 be represented differently in several legacy encodings.  The
82 converse is also not true: some code points do not have an assigned
83 character.  Firstly, there are unallocated code points within
84 otherwise used blocks.  Secondly, there are special Unicode control
85 characters that do not represent true characters.
86
87 A common myth about Unicode is that it would be "16-bit", that is,
88 Unicode is only represented as C<0x10000> (or 65536) characters from
89 C<0x0000> to C<0xFFFF>.  B<This is untrue.>  Since Unicode 2.0 (July
90 1996), Unicode has been defined all the way up to 21 bits (C<0x10FFFF>),
91 and since Unicode 3.1 (March 2001), characters have been defined
92 beyond C<0xFFFF>.  The first C<0x10000> characters are called the
93 I<Plane 0>, or the I<Basic Multilingual Plane> (BMP).  With Unicode
94 3.1, 17 (yes, seventeen) planes in all were defined--but they are
95 nowhere near full of defined characters, yet.
96
97 Another myth is that the 256-character blocks have something to
98 do with languages--that each block would define the characters used
99 by a language or a set of languages.  B<This is also untrue.>
100 The division into blocks exists, but it is almost completely
101 accidental--an artifact of how the characters have been and
102 still are allocated.  Instead, there is a concept called I<scripts>,
103 which is more useful: there is C<Latin> script, C<Greek> script, and
104 so on.  Scripts usually span varied parts of several blocks.
105 For further information see L<Unicode::UCD>.
106
107 The Unicode code points are just abstract numbers.  To input and
108 output these abstract numbers, the numbers must be I<encoded> or
109 I<serialised> somehow.  Unicode defines several I<character encoding
110 forms>, of which I<UTF-8> is perhaps the most popular.  UTF-8 is a
111 variable length encoding that encodes Unicode characters as 1 to 6
112 bytes (only 4 with the currently defined characters).  Other encodings
113 include UTF-16 and UTF-32 and their big- and little-endian variants
114 (UTF-8 is byte-order independent) The ISO/IEC 10646 defines the UCS-2
115 and UCS-4 encoding forms.
116
117 For more information about encodings--for instance, to learn what
118 I<surrogates> and I<byte order marks> (BOMs) are--see L<perlunicode>.
119
120 =head2 Perl's Unicode Support
121
122 Starting from Perl 5.6.0, Perl has had the capacity to handle Unicode
123 natively.  Perl 5.8.0, however, is the first recommended release for
124 serious Unicode work.  The maintenance release 5.6.1 fixed many of the
125 problems of the initial Unicode implementation, but for example
126 regular expressions still do not work with Unicode in 5.6.1.
127
128 B<Starting from Perl 5.8.0, the use of C<use utf8> is no longer
129 necessary.> In earlier releases the C<utf8> pragma was used to declare
130 that operations in the current block or file would be Unicode-aware.
131 This model was found to be wrong, or at least clumsy: the "Unicodeness"
132 is now carried with the data, instead of being attached to the
133 operations.  Only one case remains where an explicit C<use utf8> is
134 needed: if your Perl script itself is encoded in UTF-8, you can use
135 UTF-8 in your identifier names, and in string and regular expression
136 literals, by saying C<use utf8>.  This is not the default because
137 scripts with legacy 8-bit data in them would break.  See L<utf8>.
138
139 =head2 Perl's Unicode Model
140
141 Perl supports both pre-5.6 strings of eight-bit native bytes, and
142 strings of Unicode characters.  The principle is that Perl tries to
143 keep its data as eight-bit bytes for as long as possible, but as soon
144 as Unicodeness cannot be avoided, the data is transparently upgraded
145 to Unicode.
146
147 Internally, Perl currently uses either whatever the native eight-bit
148 character set of the platform (for example Latin-1) is, defaulting to
149 UTF-8, to encode Unicode strings. Specifically, if all code points in
150 the string are C<0xFF> or less, Perl uses the native eight-bit
151 character set.  Otherwise, it uses UTF-8.
152
153 A user of Perl does not normally need to know nor care how Perl
154 happens to encode its internal strings, but it becomes relevant when
155 outputting Unicode strings to a stream without a PerlIO layer -- one with
156 the "default" encoding.  In such a case, the raw bytes used internally
157 (the native character set or UTF-8, as appropriate for each string)
158 will be used, and a "Wide character" warning will be issued if those
159 strings contain a character beyond 0x00FF.
160
161 For example,
162
163       perl -e 'print "\x{DF}\n", "\x{0100}\x{DF}\n"'              
164
165 produces a fairly useless mixture of native bytes and UTF-8, as well
166 as a warning:
167
168      Wide character in print at ...
169
170 To output UTF-8, use the C<:utf8> output layer.  Prepending
171
172       binmode(STDOUT, ":utf8");
173
174 to this sample program ensures that the output is completely UTF-8,
175 and removes the program's warning.
176
177 You can enable automatic UTF-8-ification of your standard file
178 handles, default C<open()> layer, and C<@ARGV> by using either
179 the C<-C> command line switch or the C<PERL_UNICODE> environment
180 variable, see L<perlrun> for the documentation of the C<-C> switch.
181
182 Note that this means that Perl expects other software to work, too:
183 if Perl has been led to believe that STDIN should be UTF-8, but then
184 STDIN coming in from another command is not UTF-8, Perl will complain
185 about the malformed UTF-8.
186
187 All features that combine Unicode and I/O also require using the new
188 PerlIO feature.  Almost all Perl 5.8 platforms do use PerlIO, though:
189 you can see whether yours is by running "perl -V" and looking for
190 C<useperlio=define>.
191
192 =head2 Unicode and EBCDIC
193
194 Perl 5.8.0 also supports Unicode on EBCDIC platforms.  There,
195 Unicode support is somewhat more complex to implement since
196 additional conversions are needed at every step.  Some problems
197 remain, see L<perlebcdic> for details.
198
199 In any case, the Unicode support on EBCDIC platforms is better than
200 in the 5.6 series, which didn't work much at all for EBCDIC platform.
201 On EBCDIC platforms, the internal Unicode encoding form is UTF-EBCDIC
202 instead of UTF-8.  The difference is that as UTF-8 is "ASCII-safe" in
203 that ASCII characters encode to UTF-8 as-is, while UTF-EBCDIC is
204 "EBCDIC-safe".
205
206 =head2 Creating Unicode
207
208 To create Unicode characters in literals for code points above C<0xFF>,
209 use the C<\x{...}> notation in double-quoted strings:
210
211     my $smiley = "\x{263a}";
212
213 Similarly, it can be used in regular expression literals
214
215     $smiley =~ /\x{263a}/;
216
217 At run-time you can use C<chr()>:
218
219     my $hebrew_alef = chr(0x05d0);
220
221 See L</"Further Resources"> for how to find all these numeric codes.
222
223 Naturally, C<ord()> will do the reverse: it turns a character into
224 a code point.
225
226 Note that C<\x..> (no C<{}> and only two hexadecimal digits), C<\x{...}>,
227 and C<chr(...)> for arguments less than C<0x100> (decimal 256)
228 generate an eight-bit character for backward compatibility with older
229 Perls.  For arguments of C<0x100> or more, Unicode characters are
230 always produced. If you want to force the production of Unicode
231 characters regardless of the numeric value, use C<pack("U", ...)>
232 instead of C<\x..>, C<\x{...}>, or C<chr()>.
233
234 You can also use the C<charnames> pragma to invoke characters
235 by name in double-quoted strings:
236
237     use charnames ':full';
238     my $arabic_alef = "\N{ARABIC LETTER ALEF}";
239
240 And, as mentioned above, you can also C<pack()> numbers into Unicode
241 characters:
242
243    my $georgian_an  = pack("U", 0x10a0);
244
245 Note that both C<\x{...}> and C<\N{...}> are compile-time string
246 constants: you cannot use variables in them.  if you want similar
247 run-time functionality, use C<chr()> and C<charnames::vianame()>.
248
249 If you want to force the result to Unicode characters, use the special
250 C<"U0"> prefix.  It consumes no arguments but causes the following bytes
251 to be interpreted as the UTF-8 encoding of Unicode characters:
252
253    my $chars = pack("U0W*", 0x80, 0x42);
254
255 Likewise, you can stop such UTF-8 interpretation by using the special 
256 C<"C0"> prefix.
257
258 =head2 Handling Unicode
259
260 Handling Unicode is for the most part transparent: just use the
261 strings as usual.  Functions like C<index()>, C<length()>, and
262 C<substr()> will work on the Unicode characters; regular expressions
263 will work on the Unicode characters (see L<perlunicode> and L<perlretut>).
264
265 Note that Perl considers combining character sequences to be
266 separate characters, so for example
267
268     use charnames ':full';
269     print length("\N{LATIN CAPITAL LETTER A}\N{COMBINING ACUTE ACCENT}"), "\n";
270
271 will print 2, not 1.  The only exception is that regular expressions
272 have C<\X> for matching a combining character sequence.
273
274 Life is not quite so transparent, however, when working with legacy
275 encodings, I/O, and certain special cases:
276
277 =head2 Legacy Encodings
278
279 When you combine legacy data and Unicode the legacy data needs
280 to be upgraded to Unicode.  Normally ISO 8859-1 (or EBCDIC, if
281 applicable) is assumed. 
282
283 The C<Encode> module knows about many encodings and has interfaces
284 for doing conversions between those encodings:
285
286     use Encode 'decode';
287     $data = decode("iso-8859-3", $data); # convert from legacy to utf-8
288
289 =head2 Unicode I/O
290
291 Normally, writing out Unicode data
292
293     print FH $some_string_with_unicode, "\n";
294
295 produces raw bytes that Perl happens to use to internally encode the
296 Unicode string.  Perl's internal encoding depends on the system as
297 well as what characters happen to be in the string at the time. If
298 any of the characters are at code points C<0x100> or above, you will get
299 a warning.  To ensure that the output is explicitly rendered in the
300 encoding you desire--and to avoid the warning--open the stream with
301 the desired encoding. Some examples:
302
303     open FH, ">:utf8", "file";
304
305     open FH, ">:encoding(ucs2)",      "file";
306     open FH, ">:encoding(UTF-8)",     "file";
307     open FH, ">:encoding(shift_jis)", "file";
308
309 and on already open streams, use C<binmode()>:
310
311     binmode(STDOUT, ":utf8");
312
313     binmode(STDOUT, ":encoding(ucs2)");
314     binmode(STDOUT, ":encoding(UTF-8)");
315     binmode(STDOUT, ":encoding(shift_jis)");
316
317 The matching of encoding names is loose: case does not matter, and
318 many encodings have several aliases.  Note that the C<:utf8> layer
319 must always be specified exactly like that; it is I<not> subject to
320 the loose matching of encoding names.
321
322 See L<PerlIO> for the C<:utf8> layer, L<PerlIO::encoding> and
323 L<Encode::PerlIO> for the C<:encoding()> layer, and
324 L<Encode::Supported> for many encodings supported by the C<Encode>
325 module.
326
327 Reading in a file that you know happens to be encoded in one of the
328 Unicode or legacy encodings does not magically turn the data into
329 Unicode in Perl's eyes.  To do that, specify the appropriate
330 layer when opening files
331
332     open(my $fh,'<:utf8', 'anything');
333     my $line_of_unicode = <$fh>;
334
335     open(my $fh,'<:encoding(Big5)', 'anything');
336     my $line_of_unicode = <$fh>;
337
338 The I/O layers can also be specified more flexibly with
339 the C<open> pragma.  See L<open>, or look at the following example.
340
341     use open ':utf8'; # input and output default layer will be UTF-8
342     open X, ">file";
343     print X chr(0x100), "\n";
344     close X;
345     open Y, "<file";
346     printf "%#x\n", ord(<Y>); # this should print 0x100
347     close Y;
348
349 With the C<open> pragma you can use the C<:locale> layer
350
351     BEGIN { $ENV{LC_ALL} = $ENV{LANG} = 'ru_RU.KOI8-R' }
352     # the :locale will probe the locale environment variables like LC_ALL
353     use open OUT => ':locale'; # russki parusski
354     open(O, ">koi8");
355     print O chr(0x430); # Unicode CYRILLIC SMALL LETTER A = KOI8-R 0xc1
356     close O;
357     open(I, "<koi8");
358     printf "%#x\n", ord(<I>), "\n"; # this should print 0xc1
359     close I;
360
361 or you can also use the C<':encoding(...)'> layer
362
363     open(my $epic,'<:encoding(iso-8859-7)','iliad.greek');
364     my $line_of_unicode = <$epic>;
365
366 These methods install a transparent filter on the I/O stream that
367 converts data from the specified encoding when it is read in from the
368 stream.  The result is always Unicode.
369
370 The L<open> pragma affects all the C<open()> calls after the pragma by
371 setting default layers.  If you want to affect only certain
372 streams, use explicit layers directly in the C<open()> call.
373
374 You can switch encodings on an already opened stream by using
375 C<binmode()>; see L<perlfunc/binmode>.
376
377 The C<:locale> does not currently (as of Perl 5.8.0) work with
378 C<open()> and C<binmode()>, only with the C<open> pragma.  The
379 C<:utf8> and C<:encoding(...)> methods do work with all of C<open()>,
380 C<binmode()>, and the C<open> pragma.
381
382 Similarly, you may use these I/O layers on output streams to
383 automatically convert Unicode to the specified encoding when it is
384 written to the stream. For example, the following snippet copies the
385 contents of the file "text.jis" (encoded as ISO-2022-JP, aka JIS) to
386 the file "text.utf8", encoded as UTF-8:
387
388     open(my $nihongo, '<:encoding(iso-2022-jp)', 'text.jis');
389     open(my $unicode, '>:utf8',                  'text.utf8');
390     while (<$nihongo>) { print $unicode $_ }
391
392 The naming of encodings, both by the C<open()> and by the C<open>
393 pragma allows for flexible names: C<koi8-r> and C<KOI8R> will both be
394 understood.
395
396 Common encodings recognized by ISO, MIME, IANA, and various other
397 standardisation organisations are recognised; for a more detailed
398 list see L<Encode::Supported>.
399
400 C<read()> reads characters and returns the number of characters.
401 C<seek()> and C<tell()> operate on byte counts, as do C<sysread()>
402 and C<sysseek()>.
403
404 Notice that because of the default behaviour of not doing any
405 conversion upon input if there is no default layer,
406 it is easy to mistakenly write code that keeps on expanding a file
407 by repeatedly encoding the data:
408
409     # BAD CODE WARNING
410     open F, "file";
411     local $/; ## read in the whole file of 8-bit characters
412     $t = <F>;
413     close F;
414     open F, ">:utf8", "file";
415     print F $t; ## convert to UTF-8 on output
416     close F;
417
418 If you run this code twice, the contents of the F<file> will be twice
419 UTF-8 encoded.  A C<use open ':utf8'> would have avoided the bug, or
420 explicitly opening also the F<file> for input as UTF-8.
421
422 B<NOTE>: the C<:utf8> and C<:encoding> features work only if your
423 Perl has been built with the new PerlIO feature (which is the default
424 on most systems).
425
426 =head2 Displaying Unicode As Text
427
428 Sometimes you might want to display Perl scalars containing Unicode as
429 simple ASCII (or EBCDIC) text.  The following subroutine converts
430 its argument so that Unicode characters with code points greater than
431 255 are displayed as C<\x{...}>, control characters (like C<\n>) are
432 displayed as C<\x..>, and the rest of the characters as themselves:
433
434    sub nice_string {
435        join("",
436          map { $_ > 255 ?                  # if wide character...
437                sprintf("\\x{%04X}", $_) :  # \x{...}
438                chr($_) =~ /[[:cntrl:]]/ ?  # else if control character ...
439                sprintf("\\x%02X", $_) :    # \x..
440                quotemeta(chr($_))          # else quoted or as themselves
441          } unpack("W*", $_[0]));           # unpack Unicode characters
442    }
443
444 For example,
445
446    nice_string("foo\x{100}bar\n")
447
448 returns the string
449
450    'foo\x{0100}bar\x0A'
451
452 which is ready to be printed.
453
454 =head2 Special Cases
455
456 =over 4
457
458 =item *
459
460 Bit Complement Operator ~ And vec()
461
462 The bit complement operator C<~> may produce surprising results if
463 used on strings containing characters with ordinal values above
464 255. In such a case, the results are consistent with the internal
465 encoding of the characters, but not with much else. So don't do
466 that. Similarly for C<vec()>: you will be operating on the
467 internally-encoded bit patterns of the Unicode characters, not on
468 the code point values, which is very probably not what you want.
469
470 =item *
471
472 Peeking At Perl's Internal Encoding
473
474 Normal users of Perl should never care how Perl encodes any particular
475 Unicode string (because the normal ways to get at the contents of a
476 string with Unicode--via input and output--should always be via
477 explicitly-defined I/O layers). But if you must, there are two
478 ways of looking behind the scenes.
479
480 One way of peeking inside the internal encoding of Unicode characters
481 is to use C<unpack("C*", ...> to get the bytes of whatever the string
482 encoding happens to be, or C<unpack("U0..", ...)> to get the bytes of the
483 UTF-8 encoding:
484
485     # this prints  c4 80  for the UTF-8 bytes 0xc4 0x80
486     print join(" ", unpack("U0(H2)*", pack("U", 0x100))), "\n";
487
488 Yet another way would be to use the Devel::Peek module:
489
490     perl -MDevel::Peek -e 'Dump(chr(0x100))'
491
492 That shows the C<UTF8> flag in FLAGS and both the UTF-8 bytes
493 and Unicode characters in C<PV>.  See also later in this document
494 the discussion about the C<utf8::is_utf8()> function.
495
496 =back
497
498 =head2 Advanced Topics
499
500 =over 4
501
502 =item *
503
504 String Equivalence
505
506 The question of string equivalence turns somewhat complicated
507 in Unicode: what do you mean by "equal"?
508
509 (Is C<LATIN CAPITAL LETTER A WITH ACUTE> equal to
510 C<LATIN CAPITAL LETTER A>?)
511
512 The short answer is that by default Perl compares equivalence (C<eq>,
513 C<ne>) based only on code points of the characters.  In the above
514 case, the answer is no (because 0x00C1 != 0x0041).  But sometimes, any
515 CAPITAL LETTER As should be considered equal, or even As of any case.
516
517 The long answer is that you need to consider character normalization
518 and casing issues: see L<Unicode::Normalize>, Unicode Technical
519 Reports #15 and #21, I<Unicode Normalization Forms> and I<Case
520 Mappings>, http://www.unicode.org/unicode/reports/tr15/ and 
521 http://www.unicode.org/unicode/reports/tr21/ 
522
523 As of Perl 5.8.0, the "Full" case-folding of I<Case
524 Mappings/SpecialCasing> is implemented.
525
526 =item *
527
528 String Collation
529
530 People like to see their strings nicely sorted--or as Unicode
531 parlance goes, collated.  But again, what do you mean by collate?
532
533 (Does C<LATIN CAPITAL LETTER A WITH ACUTE> come before or after
534 C<LATIN CAPITAL LETTER A WITH GRAVE>?)
535
536 The short answer is that by default, Perl compares strings (C<lt>,
537 C<le>, C<cmp>, C<ge>, C<gt>) based only on the code points of the
538 characters.  In the above case, the answer is "after", since
539 C<0x00C1> > C<0x00C0>.
540
541 The long answer is that "it depends", and a good answer cannot be
542 given without knowing (at the very least) the language context.
543 See L<Unicode::Collate>, and I<Unicode Collation Algorithm>
544 http://www.unicode.org/unicode/reports/tr10/
545
546 =back
547
548 =head2 Miscellaneous
549
550 =over 4
551
552 =item *
553
554 Character Ranges and Classes
555
556 Character ranges in regular expression character classes (C</[a-z]/>)
557 and in the C<tr///> (also known as C<y///>) operator are not magically
558 Unicode-aware.  What this means that C<[A-Za-z]> will not magically start
559 to mean "all alphabetic letters"; not that it does mean that even for
560 8-bit characters, you should be using C</[[:alpha:]]/> in that case.
561
562 For specifying character classes like that in regular expressions,
563 you can use the various Unicode properties--C<\pL>, or perhaps
564 C<\p{Alphabetic}>, in this particular case.  You can use Unicode
565 code points as the end points of character ranges, but there is no
566 magic associated with specifying a certain range.  For further
567 information--there are dozens of Unicode character classes--see
568 L<perlunicode>.
569
570 =item *
571
572 String-To-Number Conversions
573
574 Unicode does define several other decimal--and numeric--characters
575 besides the familiar 0 to 9, such as the Arabic and Indic digits.
576 Perl does not support string-to-number conversion for digits other
577 than ASCII 0 to 9 (and ASCII a to f for hexadecimal).
578
579 =back
580
581 =head2 Questions With Answers
582
583 =over 4
584
585 =item *
586
587 Will My Old Scripts Break?
588
589 Very probably not.  Unless you are generating Unicode characters
590 somehow, old behaviour should be preserved.  About the only behaviour
591 that has changed and which could start generating Unicode is the old
592 behaviour of C<chr()> where supplying an argument more than 255
593 produced a character modulo 255.  C<chr(300)>, for example, was equal
594 to C<chr(45)> or "-" (in ASCII), now it is LATIN CAPITAL LETTER I WITH
595 BREVE.
596
597 =item *
598
599 How Do I Make My Scripts Work With Unicode?
600
601 Very little work should be needed since nothing changes until you
602 generate Unicode data.  The most important thing is getting input as
603 Unicode; for that, see the earlier I/O discussion.
604
605 =item *
606
607 How Do I Know Whether My String Is In Unicode?
608
609 You shouldn't care.  No, you really shouldn't.  No, really.  If you
610 have to care--beyond the cases described above--it means that we
611 didn't get the transparency of Unicode quite right.
612
613 Okay, if you insist:
614
615     print utf8::is_utf8($string) ? 1 : 0, "\n";
616
617 But note that this doesn't mean that any of the characters in the
618 string are necessary UTF-8 encoded, or that any of the characters have
619 code points greater than 0xFF (255) or even 0x80 (128), or that the
620 string has any characters at all.  All the C<is_utf8()> does is to
621 return the value of the internal "utf8ness" flag attached to the
622 C<$string>.  If the flag is off, the bytes in the scalar are interpreted
623 as a single byte encoding.  If the flag is on, the bytes in the scalar
624 are interpreted as the (multi-byte, variable-length) UTF-8 encoded code
625 points of the characters.  Bytes added to an UTF-8 encoded string are
626 automatically upgraded to UTF-8.  If mixed non-UTF-8 and UTF-8 scalars
627 are merged (double-quoted interpolation, explicit concatenation, and
628 printf/sprintf parameter substitution), the result will be UTF-8 encoded
629 as if copies of the byte strings were upgraded to UTF-8: for example,
630
631     $a = "ab\x80c";
632     $b = "\x{100}";
633     print "$a = $b\n";
634
635 the output string will be UTF-8-encoded C<ab\x80c = \x{100}\n>, but
636 C<$a> will stay byte-encoded.
637
638 Sometimes you might really need to know the byte length of a string
639 instead of the character length. For that use either the
640 C<Encode::encode_utf8()> function or the C<bytes> pragma and its only
641 defined function C<length()>:
642
643     my $unicode = chr(0x100);
644     print length($unicode), "\n"; # will print 1
645     require Encode;
646     print length(Encode::encode_utf8($unicode)), "\n"; # will print 2
647     use bytes;
648     print length($unicode), "\n"; # will also print 2
649                                   # (the 0xC4 0x80 of the UTF-8)
650
651 =item *
652
653 How Do I Detect Data That's Not Valid In a Particular Encoding?
654
655 Use the C<Encode> package to try converting it.
656 For example,
657
658     use Encode 'decode_utf8';
659     eval { decode_utf8($string, Encode::FB_CROAK) };
660     if ($@) {
661         # $string is valid utf8
662     } else {
663         # $string is not valid utf8
664     }
665
666 Or use C<unpack> to try decoding it:
667
668     use warnings;
669     @chars = unpack("C0U*", $string_of_bytes_that_I_think_is_utf8);
670
671 If invalid, a C<Malformed UTF-8 character> warning is produced. The "C0" means 
672 "process the string character per character".  Without that, the 
673 C<unpack("U*", ...)> would work in C<U0> mode (the default if the format 
674 string starts with C<U>) and it would return the bytes making up the UTF-8 
675 encoding of the target string, something that will always work.
676
677 =item *
678
679 How Do I Convert Binary Data Into a Particular Encoding, Or Vice Versa?
680
681 This probably isn't as useful as you might think.
682 Normally, you shouldn't need to.
683
684 In one sense, what you are asking doesn't make much sense: encodings
685 are for characters, and binary data are not "characters", so converting
686 "data" into some encoding isn't meaningful unless you know in what
687 character set and encoding the binary data is in, in which case it's
688 not just binary data, now is it?
689
690 If you have a raw sequence of bytes that you know should be
691 interpreted via a particular encoding, you can use C<Encode>:
692
693     use Encode 'from_to';
694     from_to($data, "iso-8859-1", "utf-8"); # from latin-1 to utf-8
695
696 The call to C<from_to()> changes the bytes in C<$data>, but nothing
697 material about the nature of the string has changed as far as Perl is
698 concerned.  Both before and after the call, the string C<$data>
699 contains just a bunch of 8-bit bytes. As far as Perl is concerned,
700 the encoding of the string remains as "system-native 8-bit bytes".
701
702 You might relate this to a fictional 'Translate' module:
703
704    use Translate;
705    my $phrase = "Yes";
706    Translate::from_to($phrase, 'english', 'deutsch');
707    ## phrase now contains "Ja"
708
709 The contents of the string changes, but not the nature of the string.
710 Perl doesn't know any more after the call than before that the
711 contents of the string indicates the affirmative.
712
713 Back to converting data.  If you have (or want) data in your system's
714 native 8-bit encoding (e.g. Latin-1, EBCDIC, etc.), you can use
715 pack/unpack to convert to/from Unicode.
716
717     $native_string  = pack("W*", unpack("U*", $Unicode_string));
718     $Unicode_string = pack("U*", unpack("W*", $native_string));
719
720 If you have a sequence of bytes you B<know> is valid UTF-8,
721 but Perl doesn't know it yet, you can make Perl a believer, too:
722
723     use Encode 'decode_utf8';
724     $Unicode = decode_utf8($bytes);
725
726 or:
727
728     $Unicode = pack("U0a*", $bytes);
729    
730 You can convert well-formed UTF-8 to a sequence of bytes, but if
731 you just want to convert random binary data into UTF-8, you can't.
732 B<Any random collection of bytes isn't well-formed UTF-8>.  You can
733 use C<unpack("C*", $string)> for the former, and you can create
734 well-formed Unicode data by C<pack("U*", 0xff, ...)>.
735
736 =item *
737
738 How Do I Display Unicode?  How Do I Input Unicode?
739
740 See http://www.alanwood.net/unicode/ and
741 http://www.cl.cam.ac.uk/~mgk25/unicode.html
742
743 =item *
744
745 How Does Unicode Work With Traditional Locales?
746
747 In Perl, not very well.  Avoid using locales through the C<locale>
748 pragma.  Use only one or the other.  But see L<perlrun> for the
749 description of the C<-C> switch and its environment counterpart,
750 C<$ENV{PERL_UNICODE}> to see how to enable various Unicode features,
751 for example by using locale settings.
752
753 =back
754
755 =head2 Hexadecimal Notation
756
757 The Unicode standard prefers using hexadecimal notation because
758 that more clearly shows the division of Unicode into blocks of 256 characters.
759 Hexadecimal is also simply shorter than decimal.  You can use decimal
760 notation, too, but learning to use hexadecimal just makes life easier
761 with the Unicode standard.  The C<U+HHHH> notation uses hexadecimal,
762 for example.
763
764 The C<0x> prefix means a hexadecimal number, the digits are 0-9 I<and>
765 a-f (or A-F, case doesn't matter).  Each hexadecimal digit represents
766 four bits, or half a byte.  C<print 0x..., "\n"> will show a
767 hexadecimal number in decimal, and C<printf "%x\n", $decimal> will
768 show a decimal number in hexadecimal.  If you have just the
769 "hex digits" of a hexadecimal number, you can use the C<hex()> function.
770
771     print 0x0009, "\n";    # 9
772     print 0x000a, "\n";    # 10
773     print 0x000f, "\n";    # 15
774     print 0x0010, "\n";    # 16
775     print 0x0011, "\n";    # 17
776     print 0x0100, "\n";    # 256
777
778     print 0x0041, "\n";    # 65
779
780     printf "%x\n",  65;    # 41
781     printf "%#x\n", 65;    # 0x41
782
783     print hex("41"), "\n"; # 65
784
785 =head2 Further Resources
786
787 =over 4
788
789 =item *
790
791 Unicode Consortium
792
793     http://www.unicode.org/
794
795 =item *
796
797 Unicode FAQ
798
799     http://www.unicode.org/unicode/faq/
800
801 =item *
802
803 Unicode Glossary
804
805     http://www.unicode.org/glossary/
806
807 =item *
808
809 Unicode Useful Resources
810
811     http://www.unicode.org/unicode/onlinedat/resources.html
812
813 =item *
814
815 Unicode and Multilingual Support in HTML, Fonts, Web Browsers and Other Applications
816
817     http://www.alanwood.net/unicode/
818
819 =item *
820
821 UTF-8 and Unicode FAQ for Unix/Linux
822
823     http://www.cl.cam.ac.uk/~mgk25/unicode.html
824
825 =item *
826
827 Legacy Character Sets
828
829     http://www.czyborra.com/
830     http://www.eki.ee/letter/
831
832 =item *
833
834 The Unicode support files live within the Perl installation in the
835 directory
836
837     $Config{installprivlib}/unicore
838
839 in Perl 5.8.0 or newer, and 
840
841     $Config{installprivlib}/unicode
842
843 in the Perl 5.6 series.  (The renaming to F<lib/unicore> was done to
844 avoid naming conflicts with lib/Unicode in case-insensitive filesystems.)
845 The main Unicode data file is F<UnicodeData.txt> (or F<Unicode.301> in
846 Perl 5.6.1.)  You can find the C<$Config{installprivlib}> by
847
848     perl "-V:installprivlib"
849
850 You can explore various information from the Unicode data files using
851 the C<Unicode::UCD> module.
852
853 =back
854
855 =head1 UNICODE IN OLDER PERLS
856
857 If you cannot upgrade your Perl to 5.8.0 or later, you can still
858 do some Unicode processing by using the modules C<Unicode::String>,
859 C<Unicode::Map8>, and C<Unicode::Map>, available from CPAN.
860 If you have the GNU recode installed, you can also use the
861 Perl front-end C<Convert::Recode> for character conversions.
862
863 The following are fast conversions from ISO 8859-1 (Latin-1) bytes
864 to UTF-8 bytes and back, the code works even with older Perl 5 versions.
865
866     # ISO 8859-1 to UTF-8
867     s/([\x80-\xFF])/chr(0xC0|ord($1)>>6).chr(0x80|ord($1)&0x3F)/eg;
868
869     # UTF-8 to ISO 8859-1
870     s/([\xC2\xC3])([\x80-\xBF])/chr(ord($1)<<6&0xC0|ord($2)&0x3F)/eg;
871
872 =head1 SEE ALSO
873
874 L<perlunitut>, L<perlunicode>, L<Encode>, L<open>, L<utf8>, L<bytes>,
875 L<perlretut>, L<perlrun>, L<Unicode::Collate>, L<Unicode::Normalize>,
876 L<Unicode::UCD>
877
878 =head1 ACKNOWLEDGMENTS
879
880 Thanks to the kind readers of the perl5-porters@perl.org,
881 perl-unicode@perl.org, linux-utf8@nl.linux.org, and unicore@unicode.org
882 mailing lists for their valuable feedback.
883
884 =head1 AUTHOR, COPYRIGHT, AND LICENSE
885
886 Copyright 2001-2002 Jarkko Hietaniemi E<lt>jhi@iki.fiE<gt>
887
888 This document may be distributed under the same terms as Perl itself.