pod/perlunitut.pod

   1 =head1 NAME
   2
   3 perlunitut - Perl Unicode Tutorial
   4
   5 =head1 DESCRIPTION
   6
   7 The days of just flinging strings around are over. It's well established that
   8 modern programs need to be capable of communicating funny accented letters, and
   9 things like euro symbols. This means that programmers need new habits. It's
  10 easy to program Unicode capable software, but it does require discipline to do
  11 it right.
  12
  13 There's a lot to know about character sets, and text encodings. It's probably
  14 best to spend a full day learning all this, but the basics can be learned in
  15 minutes.
  16
  17 These are not the very basics, though. It is assumed that you already
  18 know the difference between bytes and characters, and realise (and accept!)
  19 that there are many different character sets and encodings, and that your
  20 program has to be explicit about them. Recommended reading is "The Absolute
  21 Minimum Every Software Developer Absolutely, Positively Must Know About Unicode
  22 and Character Sets (No Excuses!)" by Joel Spolsky, at
  23 L<http://joelonsoftware.com/articles/Unicode.html>.
  24
  25 This tutorial speaks in rather absolute terms, and provides only a limited view
  26 of the wealth of character string related features that Perl has to offer. For
  27 most projects, this information will probably suffice.
  28
  29 =head2 Definitions
  30
  31 It's important to set a few things straight first. This is the most important
  32 part of this tutorial. This view may conflict with other information that you
  33 may have found on the web, but that's mostly because many sources are wrong.
  34
  35 You may have to re-read this entire section a few times...
  36
  37 =head3 Unicode
  38
  39 B<Unicode> is a character set with room for lots of characters. The ordinal
  40 value of a character is called a B<code point>.
  41
  42 There are many, many code points, but computers work with bytes, and a byte can
  43 have only 256 values. Unicode has many more characters, so you need a method
  44 to make these accessible.
  45
  46 Unicode is encoded using several competing encodings, of which UTF-8 is the
  47 most used. In a Unicode encoding, multiple subsequent bytes can be used to
  48 store a single code point, or simply: character.
  49
  50 =head3 UTF-8
  51
  52 B<UTF-8> is a Unicode encoding. Many people think that Unicode and UTF-8 are
  53 the same thing, but they're not. There are more Unicode encodings, but much of
  54 the world has standardized on UTF-8.
  55
  56 UTF-8 treats the first 128 codepoints, 0..127, the same as ASCII. They take
  57 only one byte per character. All other characters are encoded as two or more
  58 (up to six) bytes using a complex scheme. Fortunately, Perl handles this for
  59 us, so we don't have to worry about this.
  60
  61 =head3 Text strings (character strings)
  62
  63 B<Text strings>, or B<character strings> are made of characters. Bytes are
  64 irrelevant here, and so are encodings. Each character is just that: the
  65 character.
  66
  67 Text strings are also called B<Unicode strings>, because in Perl, every text
  68 string is a Unicode string.
  69
  70 On a text string, you would do things like:
  71
  72     $text =~ s/foo/bar/;
  73     if ($string =~ /^\d+$/) { ... }
  74     $text = ucfirst $text;
  75     my $character_count = length $text;
  76
  77 The value of a character (C<ord>, C<chr>) is the corresponding Unicode code
  78 point.
  79
  80 =head3 Binary strings (byte strings)
  81
  82 B<Binary strings>, or B<byte strings> are made of bytes. Here, you don't have
  83 characters, just bytes. All communication with the outside world (anything
  84 outside of your current Perl process) is done in binary.
  85
  86 On a binary string, you would do things like:
  87
  88     my (@length_content) = unpack "(V/a)*", $binary;
  89     $binary =~ s/\x00\x0F/\xFF\xF0/;  # for the brave :)
  90     print {$fh} $binary;
  91     my $byte_count = length $binary;
  92
  93 =head3 Encoding
  94
  95 B<Encoding> (as a verb) is the conversion from I<text> to I<binary>. To encode,
  96 you have to supply the target encoding, for example C<iso-8859-1> or C<UTF-8>.
  97 Some encodings, like the C<iso-8859> ("latin") range, do not support the full
  98 Unicode standard; characters that can't be represented are lost in the
  99 conversion.
 100
 101 =head3 Decoding
 102
 103 B<Decoding> is the conversion from I<binary> to I<text>. To decode, you have to
 104 know what encoding was used during the encoding phase. And most of all, it must
 105 be something decodable. It doesn't make much sense to decode a PNG image into a
 106 text string.
 107
 108 =head3 Internal format
 109
 110 Perl has an B<internal format>, an encoding that it uses to encode text strings
 111 so it can store them in memory. All text strings are in this internal format.
 112 In fact, text strings are never in any other format!
 113
 114 You shouldn't worry about what this format is, because conversion is
 115 automatically done when you decode or encode.
 116
 117 =head2 Your new toolkit
 118
 119 Add to your standard heading the following line:
 120
 121     use Encode qw(encode decode);
 122
 123 Or, if you're lazy, just:
 124
 125     use Encode;
 126
 127 =head2 I/O flow (the actual 5 minute tutorial)
 128
 129 The typical input/output flow of a program is:
 130
 131     1. Receive and decode
 132     2. Process
 133     3. Encode and output
 134
 135 If your input is binary, and is supposed to remain binary, you shouldn't decode
 136 it to a text string, of course. But in all other cases, you should decode it.
 137
 138 Decoding can't happen reliably if you don't know how the data was encoded. If
 139 you get to choose, it's a good idea to standardize on UTF-8.
 140
 141     my $foo   = decode('UTF-8', get 'http://example.com/');
 142     my $bar   = decode('ISO-8859-1', readline STDIN);
 143     my $xyzzy = decode('Windows-1251', $cgi->param('foo'));
 144
 145 Processing happens as you knew before. The only difference is that you're now
 146 using characters instead of bytes. That's very useful if you use things like
 147 C<substr>, or C<length>.
 148
 149 It's important to realize that there are no bytes in a text string. Of course,
 150 Perl has its internal encoding to store the string in memory, but ignore that.
 151 If you have to do anything with the number of bytes, it's probably best to move
 152 that part to step 3, just after you've encoded the string. Then you know
 153 exactly how many bytes it will be in the destination string.
 154
 155 The syntax for encoding text strings to binary strings is as simple as decoding:
 156
 157     $body = encode('UTF-8', $body);
 158
 159 If you needed to know the length of the string in bytes, now's the perfect time
 160 for that. Because C<$body> is now a byte string, C<length> will report the
 161 number of bytes, instead of the number of characters. The number of
 162 characters is no longer known, because characters only exist in text strings.
 163
 164     my $byte_count = length $body;
 165
 166 And if the protocol you're using supports a way of letting the recipient know
 167 which character encoding you used, please help the receiving end by using that
 168 feature! For example, E-mail and HTTP support MIME headers, so you can use the
 169 C<Content-Type> header. They can also have C<Content-Length> to indicate the
 170 number of I<bytes>, which is always a good idea to supply if the number is
 171 known.
 172
 173     "Content-Type: text/plain; charset=UTF-8",
 174     "Content-Length: $byte_count"
 175
 176 =head1 SUMMARY
 177
 178 Decode everything you receive, encode everything you send out. (If it's text
 179 data.)
 180
 181 =head1 Q and A (or FAQ)
 182
 183 After reading this document, you ought to read L<perlunifaq> too.
 184
 185 =head1 ACKNOWLEDGEMENTS
 186
 187 Thanks to Johan Vromans from Squirrel Consultancy. His UTF-8 rants during the
 188 Amsterdam Perl Mongers meetings got me interested and determined to find out
 189 how to use character encodings in Perl in ways that don't break easily.
 190
 191 Thanks to Gerard Goossen from TTY. His presentation "UTF-8 in the wild" (Dutch
 192 Perl Workshop 2006) inspired me to publish my thoughts and write this tutorial.
 193
 194 Thanks to the people who asked about this kind of stuff in several Perl IRC
 195 channels, and have constantly reminded me that a simpler explanation was
 196 needed.
 197
 198 Thanks to the people who reviewed this document for me, before it went public.
 199 They are: Benjamin Smith, Jan-Pieter Cornet, Johan Vromans, Lukas Mai, Nathan
 200 Gray.
 201
 202 =head1 AUTHOR
 203
 204 Juerd Waalboer <#####@juerd.nl>
 205
 206 =head1 SEE ALSO
 207
 208 L<perlunifaq>, L<perlunicode>, L<perluniintro>, L<Encode>
 209