Documentation Patch to pod/perlunicode.pod pod/perluniintro.pod
John Borwick [Wed, 22 May 2002 04:10:37 +0000 (00:10 -0400)]
Message-ID: <15595.21117.875874.721450@nada.johnborwick.com>

p4raw-id: //depot/perl@16733

pod/perlunicode.pod
pod/perluniintro.pod

index 38cd9c7..37ee3d8 100644 (file)
@@ -6,7 +6,7 @@ perlunicode - Unicode support in Perl
 
 =head2 Important Caveats
 
-Unicode support is an extensive requirement. While perl does not
+Unicode support is an extensive requirement. While Perl does not
 implement the Unicode standard or the accompanying technical reports
 from cover to cover, Perl does support many Unicode features.
 
@@ -14,98 +14,98 @@ from cover to cover, Perl does support many Unicode features.
 
 =item Input and Output Disciplines
 
-A filehandle can be marked as containing perl's internal Unicode
-encoding (UTF-8 or UTF-EBCDIC) by opening it with the ":utf8" layer.
-Other encodings can be converted to perl's encoding on input, or from
-perl's encoding on output by use of the ":encoding(...)" layer.
-See L<open>.
+Perl knows when a filehandle uses Perl's internal Unicode encodings
+(UTF-8 or UTF-EBCDIC) if the filehandle is opened with the ":utf8"
+layer.  Other encodings can be converted to Perl's encoding on input
+or from Perl's encoding on output by use of the ":encoding(...)"
+layer.  See L<open>.
 
-To mark the Perl source itself as being in a particular encoding,
+To indicate that Perl source itself is using a particular encoding,
 see L<encoding>.
 
 =item Regular Expressions
 
 The regular expression compiler produces polymorphic opcodes.  That is,
-the pattern adapts to the data and automatically switch to the Unicode
-character scheme when presented with Unicode data, or a traditional
-byte scheme when presented with byte data.
+the pattern adapts to the data and automatically switches to the Unicode
+character scheme when presented with Unicode data--or instead uses
+a traditional byte scheme when presented with byte data.
 
 =item C<use utf8> still needed to enable UTF-8/UTF-EBCDIC in scripts
 
-As a compatibility measure, this pragma must be explicitly used to
-enable recognition of UTF-8 in the Perl scripts themselves on ASCII
-based machines, or to recognize UTF-EBCDIC on EBCDIC based machines.
-B<NOTE: this should be the only place where an explicit C<use utf8>
-is needed>.
+As a compatibility measure, the C<use utf8> pragma must be explicitly
+included to enable recognition of UTF-8 in the Perl scripts themselves
+on ASCII-based machines or to recognize UTF-EBCDIC on EBCDIC-based
+machines.  B<These are the only times when an explicit C<use utf8>
+is needed.>
 
 You can also use the C<encoding> pragma to change the default encoding
 of the data in your script; see L<encoding>.
 
 =back
 
-=head2 Byte and Character semantics
+=head2 Byte and Character Semantics
 
-Beginning with version 5.6, Perl uses logically wide characters to
+Beginning with version 5.6, Perl uses logically-wide characters to
 represent strings internally.
 
-In future, Perl-level operations can be expected to work with
-characters rather than bytes, in general.
+In future, Perl-level operations will be expected to work with
+characters rather than bytes.
 
-However, as strictly an interim compatibility measure, Perl aims to
+However, as an interim compatibility measure, Perl aims to
 provide a safe migration path from byte semantics to character
 semantics for programs.  For operations where Perl can unambiguously
-decide that the input data is characters, Perl now switches to
+decide that the input data are characters, Perl switches to
 character semantics.  For operations where this determination cannot
 be made without additional information from the user, Perl decides in
-favor of compatibility, and chooses to use byte semantics.
+favor of compatibility and chooses to use byte semantics.
 
 This behavior preserves compatibility with earlier versions of Perl,
-which allowed byte semantics in Perl operations, but only as long as
-none of the program's inputs are marked as being as source of Unicode
+which allowed byte semantics in Perl operations only if
+none of the program's inputs were marked as being as source of Unicode
 character data.  Such data may come from filehandles, from calls to
 external programs, from information provided by the system (such as %ENV),
 or from literals and constants in the source text.
 
-On Windows platforms, if the C<-C> command line switch is used, (or the
-${^WIDE_SYSTEM_CALLS} global flag is set to C<1>), all system calls
-will use the corresponding wide character APIs.  Note that this is
-currently only implemented on Windows since other platforms lack an
-API standard on this area.
+On Windows platforms, if the C<-C> command line switch is used or the
+${^WIDE_SYSTEM_CALLS} global flag is set to C<1>, all system calls
+will use the corresponding wide-character APIs.  This feature is
+available only on Windows to conform to the API standard already
+established for that platform.
 
-Regardless of the above, the C<bytes> pragma can always be used to
-force byte semantics in a particular lexical scope.  See L<bytes>.
+The C<bytes> pragma will always, regardless of platform, force byte
+semantics in a particular lexical scope.  See L<bytes>.
 
 The C<utf8> pragma is primarily a compatibility device that enables
 recognition of UTF-(8|EBCDIC) in literals encountered by the parser.
-Note that this pragma is only required until a future version of Perl
-in which character semantics will become the default.  This pragma may
-then become a no-op.  See L<utf8>.
-
-Unless mentioned otherwise, Perl operators will use character semantics
-when they are dealing with Unicode data, and byte semantics otherwise.
-Thus, character semantics for these operations apply transparently; if
-the input data came from a Unicode source (for example, by adding a
-character encoding discipline to the filehandle whence it came, or a
-literal Unicode string constant in the program), character semantics
-apply; otherwise, byte semantics are in effect.  To force byte semantics
-on Unicode data, the C<bytes> pragma should be used.
-
-Notice that if you concatenate strings with byte semantics and strings
-with Unicode character data, the bytes will by default be upgraded
-I<as if they were ISO 8859-1 (Latin-1)> (or if in EBCDIC, after a
-translation to ISO 8859-1). This is done without regard to the
-system's native 8-bit encoding, so to change this for systems with
-non-Latin-1 (or non-EBCDIC) native encodings, use the C<encoding>
-pragma, see L<encoding>.
+Note that this pragma is only required while Perl defaults to byte
+semantics; when character semantics become the default, this pragma
+may become a no-op.  See L<utf8>.
+
+Unless explicitly stated, Perl operators use character semantics
+for Unicode data and byte semantics for non-Unicode data.
+The decision to use character semantics is made transparently.  If
+input data comes from a Unicode source--for example, if a character
+encoding discipline is added to a filehandle or a literal Unicode
+string constant appears in a program--character semantics apply.
+Otherwise, byte semantics are in effect.  The C<bytes> pragma should
+be used to force byte semantics on Unicode data.
+
+If strings operating under byte semantics and strings with Unicode
+character data are concatenated, the new string will be upgraded to
+I<ISO 8859-1 (Latin-1)>, even if the old Unicode string used EBCDIC.
+This translation is done without regard to the system's native 8-bit
+encoding, so to change this for systems with non-Latin-1 and 
+non-EBCDIC native encodings use the C<encoding> pragma.  See
+L<encoding>.
 
 Under character semantics, many operations that formerly operated on
-bytes change to operating on characters. A character in Perl is
+bytes now operate on characters. A character in Perl is
 logically just a number ranging from 0 to 2**31 or so. Larger
-characters may encode to longer sequences of bytes internally, but
-this is just an internal detail which is hidden at the Perl level.
-See L<perluniintro> for more on this.
+characters may encode into longer sequences of bytes internally, but
+this internal detail is mostly hidden for Perl code.
+See L<perluniintro> for more.
 
-=head2 Effects of character semantics
+=head2 Effects of Character Semantics
 
 Character semantics have the following effects:
 
@@ -113,76 +113,77 @@ Character semantics have the following effects:
 
 =item *
 
-Strings (including hash keys) and regular expression patterns may
+Strings--including hash keys--and regular expression patterns may
 contain characters that have an ordinal value larger than 255.
 
 If you use a Unicode editor to edit your program, Unicode characters
 may occur directly within the literal strings in one of the various
-Unicode encodings (UTF-8, UTF-EBCDIC, UCS-2, etc.), but are recognized
-as such (and converted to Perl's internal representation) only if the
+Unicode encodings (UTF-8, UTF-EBCDIC, UCS-2, etc.), but will be recognized
+as such and converted to Perl's internal representation only if the
 appropriate L<encoding> is specified.
 
-You can also get Unicode characters into a string by using the C<\x{...}>
-notation, putting the Unicode code for the desired character, in
-hexadecimal, into the curlies. For instance, a smiley face is C<\x{263A}>.
-This works only for characters with a code 0x100 and above.
+Unicode characters can also be added to a string by using the C<\x{...}>
+notation.  The  Unicode code for the desired character, in
+hexadecimal, should be placed in the braces. For instance, a smiley
+face is C<\x{263A}>.  This encoding scheme only works for characters
+with a code of 0x100 or above.
 
 Additionally, if you
 
    use charnames ':full';
 
-you can use the C<\N{...}> notation, putting the official Unicode character
-name within the curlies. For example, C<\N{WHITE SMILING FACE}>.
-This works for all characters that have names.
+you can use the C<\N{...}> notation and put the official Unicode character
+name within the braces, such as C<\N{WHITE SMILING FACE}>.
+
 
 =item *
 
 If an appropriate L<encoding> is specified, identifiers within the
 Perl script may contain Unicode alphanumeric characters, including
-ideographs.  (You are currently on your own when it comes to using the
-canonical forms of characters--Perl doesn't (yet) attempt to
-canonicalize variable names for you.)
+ideographs.  Perl does not currently attempt to canonicalize variable
+names.
 
 =item *
 
-Regular expressions match characters instead of bytes.  For instance,
-"." matches a character instead of a byte.  (However, the C<\C> pattern
-is provided to force a match a single byte ("C<char>" in C, hence C<\C>).)
+Regular expressions match characters instead of bytes.
+"." matches a character instead of a byte.  The C<\C> pattern
+is provided to force a match a single byte--a "C<char>" in C, hence C<\C>.
 
 =item *
 
 Character classes in regular expressions match characters instead of
-bytes, and match against the character properties specified in the
-Unicode properties database.  So C<\w> can be used to match an
+bytes and match against the character properties specified in the
+Unicode properties database.  C<\w> can be used to match an
 ideograph, for instance.
 
 =item *
 
 Named Unicode properties, scripts, and block ranges may be used like
-character classes via the new C<\p{}> (matches property) and C<\P{}>
-(doesn't match property) constructs. For instance, C<\p{Lu}> matches any
+character classes via the C<\p{}> "matches property" construct and
+the  C<\P{}> negation, "doesn't match property".
+For instance, C<\p{Lu}> matches any
 character with the Unicode "Lu" (Letter, uppercase) property, while
-C<\p{M}> matches any character with an "M" (mark -- accents and such)
-property. Single letter properties may omit the brackets, so that can be
-written C<\pM> also. Many predefined properties are available, such
-as C<\p{Mirrored}> and C<\p{Tibetan}>.
+C<\p{M}> matches any character with an "M" (mark--accents and such)
+property.  Brackets are not required for single letter properties, so
+C<\p{M}> is equivalent to C<\pM>. Many predefined properties are
+available, such as C<\p{Mirrored}> and C<\p{Tibetan}>.
 
 The official Unicode script and block names have spaces and dashes as
-separators, but for convenience you can have dashes, spaces, and underbars
-at every word division, and you need not care about correct casing. It is
+separators, but for convenience you can use dashes, spaces, or
+underbars, and case is unimportant. It is
 recommended, however, that for consistency you use the following naming:
-the official Unicode script, block, or property name (see below for the
-additional rules that apply to block names), with whitespace and dashes
-removed, and the words "uppercase-first-lowercase-rest". That is, "Latin-1
-Supplement" becomes "Latin1Supplement".
+the official Unicode script, property, or block name (see below for the
+additional rules that apply to block names) with whitespace and dashes
+removed, and the words "uppercase-first-lowercase-rest". "C<Latin-1
+Supplement>" thus becomes "C<Latin1Supplement>".
 
-You can also negate both C<\p{}> and C<\P{}> by introducing a caret
-(^) between the first curly and the property name: C<\p{^Tamil}> is
+You can also use negation in both C<\p{}> and C<\P{}> by introducing a caret
+(^) between the first brace and the property name: C<\p{^Tamil}> is
 equal to C<\P{Tamil}>.
 
 Here are the basic Unicode General Category properties, followed by their
-long form (you can use either, e.g. C<\p{Lu}> and C<\p{LowercaseLetter}>
-are identical).
+long form.  You can use either; C<\p{Lu}> and C<\p{LowercaseLetter}>,
+for instance, are identical.
 
     Short       Long
 
@@ -232,17 +233,17 @@ are identical).
     Co          PrivateUse
     Cn          Unassigned
 
-The single-letter properties match all characters in any of the
+Single-letter properties match all characters in any of the
 two-letter sub-properties starting with the same letter.
-There's also C<L&> which is an alias for C<Ll>, C<Lu>, and C<Lt>.
+C<L&> is a special case, which is an alias for C<Ll>, C<Lu>, and C<Lt>.
 
 Because Perl hides the need for the user to understand the internal
-representation of Unicode characters, it has no need to support the
-somewhat messy concept of surrogates. Therefore, the C<Cs> property is not
+representation of Unicode characters, there is no need to implement the
+somewhat messy concept of surrogates. C<Cs> is therefore not
 supported.
 
-Because scripts differ in their directionality (for example Hebrew is
-written right to left), Unicode supplies these properties:
+Because scripts differ in their directionality--Hebrew is
+written right to left, for example--Unicode supplies these properties:
 
     Property    Meaning
 
@@ -266,15 +267,15 @@ written right to left), Unicode supplies these properties:
     BidiWS      Whitespace
     BidiON      Other Neutrals
 
-For example, C<\p{BidiR}> matches all characters that are normally
+For example, C<\p{BidiR}> matches characters that are normally
 written right to left.
 
 =back
 
 =head2 Scripts
 
-The scripts available via C<\p{...}> and C<\P{...}>, for example
-C<\p{Latin}> or C<\p{Cyrillic}>, are as follows:
+The script names which can be used by C<\p{...}> and C<\P{...}>,
+such as in C<\p{Latin}> or C<\p{Cyrillic}>, are as follows:
 
     Arabic
     Armenian
@@ -321,7 +322,7 @@ C<\p{Latin}> or C<\p{Cyrillic}>, are as follows:
     Tibetan
     Yi
 
-There are also extended property classes that supplement the basic
+Extended property classes can supplement the basic
 properties, defined by the F<PropList> Unicode database:
 
     ASCIIHexDigit
@@ -352,7 +353,7 @@ properties, defined by the F<PropList> Unicode database:
     UnifiedIdeograph
     WhiteSpace
 
-and further derived properties:
+and there are further derived properties:
 
     Alphabetic      Lu + Ll + Lt + Lm + Lo + OtherAlphabetic
     Lowercase       Ll + OtherLowercase
@@ -369,19 +370,19 @@ and further derived properties:
                     not explicitly assigned to a script
 
 For backward compatibility, all properties mentioned so far may have C<Is>
-prepended to their name (e.g. C<\P{IsLu}> is equal to C<\P{Lu}>).
+prepended to their name, so C<\P{IsLu}>, for example, is equal to C<\P{Lu}>.
 
 =head2 Blocks
 
 In addition to B<scripts>, Unicode also defines B<blocks> of characters.
-The difference between scripts and blocks is that the scripts concept is
-closer to natural languages, while the blocks concept is more an artificial
-grouping based on groups of mostly 256 Unicode characters. For example, the
-C<Latin> script contains letters from many blocks. On the other hand, the
-C<Latin> script does not contain all the characters from those blocks. It
-does not, for example, contain digits because digits are shared across many
-scripts. Digits and other similar groups, like punctuation, are in a
-category called C<Common>.
+The difference between scripts and blocks is that the concept of
+scripts is closer to natural languages, while the  concept of blocks
+is more of an artificial grouping based on groups of around 256
+Unicode characters. For example, the C<Latin> script contains letters
+from many blocks but  does not contain all the characters from those
+blocks. It does not, for example, contain digits, because digits are
+shared across many scripts. Digits and similar groups, like
+punctuation, are in a category called C<Common>.
 
 For more about scripts, see the UTR #24:
 
@@ -391,8 +392,8 @@ For more about blocks, see:
 
    http://www.unicode.org/Public/UNIDATA/Blocks.txt
 
-Blocks names are given with the C<In> prefix. For example, the
-Katakana block is referenced via C<\p{InKatakana}>. The C<In>
+Block names are given with the C<In> prefix. For example, the
+Katakana block is referenced via C<\p{InKatakana}>.  The C<In>
 prefix may be omitted if there is no naming conflict with a script
 or any other property, but it is recommended that C<In> always be used
 to avoid confusion.
@@ -514,66 +515,64 @@ These block names are supported:
 
 =item *
 
-The special pattern C<\X> matches any extended Unicode sequence
-(a "combining character sequence" in Standardese), where the first
-character is a base character and subsequent characters are mark
-characters that apply to the base character.  It is equivalent to
+The special pattern C<\X> matches any extended Unicode
+sequence--"a combining character sequence" in Standardese--where the
+first character is a base character and subsequent characters are mark
+characters that apply to the base character.  C<\X> is equivalent to
 C<(?:\PM\pM*)>.
 
 =item *
 
 The C<tr///> operator translates characters instead of bytes.  Note
-that the C<tr///CU> functionality has been removed, as the interface
-was a mistake.  For similar functionality see pack('U0', ...) and
-pack('C0', ...).
+that the C<tr///CU> functionality has been removed.  For similar
+functionality see pack('U0', ...) and pack('C0', ...).
 
 =item *
 
 Case translation operators use the Unicode case translation tables
-when provided character input.  Note that C<uc()> (also known as C<\U>
-in doublequoted strings) translates to uppercase, while C<ucfirst>
-(also known as C<\u> in doublequoted strings) translates to titlecase
-(for languages that make the distinction).  Naturally the
-corresponding backslash sequences have the same semantics.
+when character input is provided.  Note that C<uc()>, or C<\U> in
+interpolated strings, translates to uppercase, while C<ucfirst>,
+or C<\u> in interpolated strings, translates to titlecase in languages
+that make the distinction.
 
 =item *
 
-Most operators that deal with positions or lengths in the string will
+Most operators that deal with positions or lengths in a string will
 automatically switch to using character positions, including
 C<chop()>, C<substr()>, C<pos()>, C<index()>, C<rindex()>,
 C<sprintf()>, C<write()>, and C<length()>.  Operators that
-specifically don't switch include C<vec()>, C<pack()>, and
-C<unpack()>.  Operators that really don't care include C<chomp()>, as
-well as any other operator that treats a string as a bucket of bits,
-such as C<sort()>, and the operators dealing with filenames.
+specifically do not switch include C<vec()>, C<pack()>, and
+C<unpack()>.  Operators that really don't care include C<chomp()>,
+operators that treats strings as a bucket of bits such as C<sort()>,
+and operators dealing with filenames.
 
 =item *
 
 The C<pack()>/C<unpack()> letters "C<c>" and "C<C>" do I<not> change,
-since they're often used for byte-oriented formats.  (Again, think
-"C<char>" in the C language.)  However, there is a new "C<U>" specifier
-that will convert between Unicode characters and integers.
+since they are often used for byte-oriented formats.  Again, think
+"C<char>" in the C language.  There is a new "C<U>" specifier
+that converts between Unicode characters and integers.
 
 =item *
 
-The C<chr()> and C<ord()> functions work on characters.  This is like
-C<pack("U")> and C<unpack("U")>, not like C<pack("C")> and
-C<unpack("C")>.  In fact, the latter are how you now emulate
-byte-oriented C<chr()> and C<ord()> for Unicode strings.
-(Note that this reveals the internal encoding of Unicode strings,
-which is not something one normally needs to care about at all.)
+The C<chr()> and C<ord()> functions work on characters, similar to
+C<pack("U")> and C<unpack("U")>, I<not> C<pack("C")> and
+C<unpack("C")>.  C<pack("C")> and C<unpack("C")> are methods for
+emulating byte-oriented C<chr()> and C<ord()> on Unicode strings.
+While these methods reveal the internal encoding of Unicode strings,
+that is not something one normally needs to care about at all.
 
 =item *
 
-The bit string operators C<& | ^ ~> can operate on character data.
-However, for backward compatibility reasons (bit string operations
-when the characters all are less than 256 in ordinal value) one should
-not mix C<~> (the bit complement) and characters both less than 256 and
-equal or greater than 256.  Most importantly, the DeMorgan's laws
-(C<~($x|$y) eq ~$x&~$y>, C<~($x&$y) eq ~$x|~$y>) won't hold.
-Another way to look at this is that the complement cannot return
-B<both> the 8-bit (byte) wide bit complement B<and> the full character
-wide bit complement.
+The bit string operators, C<& | ^ ~>, can operate on character data.
+However, for backward compatibility, such as when using bit string
+operations when characters are all less than 256 in ordinal value, one
+should not use C<~> (the bit complement) with characters of both
+values less than 256 and values greater than 256.  Most importantly,
+DeMorgan's laws (C<~($x|$y) eq ~$x&~$y> and C<~($x&$y) eq ~$x|~$y>)
+will not hold.  The reason for this mathematical I<faux pas> is that
+the complement cannot return B<both> the 8-bit (byte-wide) bit
+complement B<and> the full character-wide bit complement.
 
 =item *
 
@@ -584,26 +583,26 @@ lc(), uc(), lcfirst(), and ucfirst() work for the following cases:
 =item *
 
 the case mapping is from a single Unicode character to another
-single Unicode character
+single Unicode character, or
 
 =item *
 
 the case mapping is from a single Unicode character to more
-than one Unicode character
+than one Unicode character.
 
 =back
 
-What doesn't yet work are the following cases:
+The following cases do not yet work:
 
 =over 8
 
 =item *
 
-the "final sigma" (Greek)
+the "final sigma" (Greek), and
 
 =item *
 
-anything to with locales (Lithuanian, Turkish, Azeri)
+anything to with locales (Lithuanian, Turkish, Azeri).
 
 =back
 
@@ -615,44 +614,44 @@ And finally, C<scalar reverse()> reverses by character rather than by byte.
 
 =back
 
-=head2 User-defined Character Properties
+=head2 User-Defined Character Properties
 
 You can define your own character properties by defining subroutines
-that have names beginning with "In" or "Is".  The subroutines must be
+whose names begin with "In" or "Is".  The subroutines must be
 visible in the package that uses the properties.  The user-defined
 properties can be used in the regular expression C<\p> and C<\P>
 constructs.
 
-The subroutines must return a specially formatted string: one or more
-newline-separated lines.  Each line must be one of the following:
+The subroutines must return a specially-formatted string, with one
+or more newline-separated lines.  Each line must be one of the following:
 
 =over 4
 
 =item *
 
 Two hexadecimal numbers separated by horizontal whitespace (space or
-tabulator characters) denoting a range of Unicode codepoints to include.
+tabular characters) denoting a range of Unicode code points to include.
 
 =item *
 
-Something to include, prefixed by "+": either an built-in character
-property (prefixed by "utf8::"), for all the characters in that
-property; or two hexadecimal codepoints for a range; or a single
-hexadecimal codepoint.
+Something to include, prefixed by "+": a built-in character
+property (prefixed by "utf8::"), to represent all the characters in that
+property; two hexadecimal code points for a range; or a single
+hexadecimal code point.
 
 =item *
 
-Something to exclude, prefixed by "-": either an existing character
+Something to exclude, prefixed by "-": an existing character
 property (prefixed by "utf8::"), for all the characters in that
-property; or two hexadecimal codepoints for a range; or a single
-hexadecimal codepoint.
+property; two hexadecimal code points for a range; or a single
+hexadecimal code point.
 
 =item *
 
-Something to negate, prefixed "!": either an existing character
+Something to negate, prefixed "!": an existing character
 property (prefixed by "utf8::") for all the characters except the
-characters in the property; or two hexadecimal codepoints for a range;
-or a single hexadecimal codepoint.
+characters in the property; two hexadecimal code points for a range;
+or a single hexadecimal code point.
 
 =back
 
@@ -700,16 +699,16 @@ The negation is useful for defining (surprise!) negated classes.
     END
     }
 
-=head2 Character encodings for input and output
+=head2 Character Encodings for Input and Output
 
 See L<Encode>.
 
 =head2 Unicode Regular Expression Support Level
 
-The following list of Unicode regular expression support describes
-feature by feature the Unicode support implemented in Perl as of Perl
-5.8.0.  The "Level N" and the section numbers refer to the Unicode
-Technical Report 18, "Unicode Regular Expression Guidelines".
+The following list of Unicode support for regular expressions describes
+all the features currently supported.  The references to "Level N"
+and the section numbers refer to the Unicode Technical Report 18,
+"Unicode Regular Expression Guidelines".
 
 =over 4
 
@@ -733,11 +732,11 @@ Level 1 - Basic Unicode Support
         [ 6] can use regular expression look-ahead [a]
              or user-defined character properties [b] to emulate subtraction
         [ 7] include Letters in word characters
-        [ 8] note that perl does Full casefolding in matching, not Simple:
+        [ 8] note that Perl does Full case-folding in matching, not Simple:
              for example U+1F88 is equivalent with U+1F000 U+03B9,
              not with 1F80.  This difference matters for certain Greek
-             capital letters with certain modifiers: the Full casefolding
-             decomposes the letter, while the Simple casefolding would map
+             capital letters with certain modifiers: the Full case-folding
+             decomposes the letter, while the Simple case-folding would map
              it to a single character.
         [ 9] see UTR#13 Unicode Newline Guidelines
         [10] should do ^ and $ also on \x{85}, \x{2028} and \x{2029})
@@ -795,8 +794,8 @@ Level 3 - Locale-Sensitive Support
 
 =head2 Unicode Encodings
 
-Unicode characters are assigned to I<code points> which are abstract
-numbers.  To use these numbers various encodings are needed.
+Unicode characters are assigned to I<code points>, which are abstract
+numbers.  To use these numbers, various encodings are needed.
 
 =over 4
 
@@ -805,8 +804,9 @@ numbers.  To use these numbers various encodings are needed.
 UTF-8
 
 UTF-8 is a variable-length (1 to 6 bytes, current character allocations
-require 4 bytes), byteorder independent encoding. For ASCII, UTF-8 is
-transparent (and we really do mean 7-bit ASCII, not another 8-bit encoding).
+require 4 bytes), byte-order independent encoding. For ASCII (and we
+really do mean 7-bit ASCII, not another 8-bit encoding), UTF-8 is
+transparent.
 
 The following table is from Unicode 3.2.
 
@@ -823,14 +823,15 @@ The following table is from Unicode 3.2.
   U+40000..U+FFFFF      F1..F3    80..BF    80..BF    80..BF
  U+100000..U+10FFFF     F4        80..8F    80..BF    80..BF
 
-Note the A0..BF in U+0800..U+0FFF, the 80..9F in U+D000...U+D7FF,
-the 90..BF in U+10000..U+3FFFF, and the 80...8F in U+100000..U+10FFFF.
-The "gaps" are caused by legal UTF-8 avoiding non-shortest encodings:
-it is technically possible to UTF-8-encode a single code point in different
-ways, but that is explicitly forbidden, and the shortest possible encoding
-should always be used (and that is what Perl does).
+Note the C<A0..BF> in C<U+0800..U+0FFF>, the C<80..9F> in
+C<U+D000...U+D7FF>, the C<90..B>F in C<U+10000..U+3FFFF>, and the
+C<80...8F> in C<U+100000..U+10FFFF>.  The "gaps" are caused by legal
+UTF-8 avoiding non-shortest encodings: it is technically possible to
+UTF-8-encode a single code point in different ways, but that is
+explicitly forbidden, and the shortest possible encoding should always
+be used.  So that's what Perl does.
 
-Or, another way to look at it, as bits:
+Another way to look at it is via bits:
 
  Code Points                    1st Byte   2nd Byte  3rd Byte  4th Byte
 
@@ -847,25 +848,25 @@ encoded character.
 
 UTF-EBCDIC
 
-Like UTF-8, but EBCDIC-safe, as UTF-8 is ASCII-safe.
+Like UTF-8 but EBCDIC-safe, in the way that UTF-8 is ASCII-safe.
 
 =item *
 
 UTF-16, UTF-16BE, UTF16-LE, Surrogates, and BOMs (Byte Order Marks)
 
-(The followings items are mostly for reference, Perl doesn't
-use them internally.)
+The followings items are mostly for reference, Perl doesn't
+use them internally.
 
 UTF-16 is a 2 or 4 byte encoding.  The Unicode code points
-U+0000..U+FFFF are stored in a single 16-bit unit, and the code points
-U+10000..U+10FFFF in two 16-bit units.  The latter case is
+C<U+0000..U+FFFF> are stored in a single 16-bit unit, and the code points
+C<U+10000..U+10FFFF> in two 16-bit units.  The latter case is
 using I<surrogates>, the first 16-bit unit being the I<high
 surrogate>, and the second being the I<low surrogate>.
 
-Surrogates are code points set aside to encode the U+10000..U+10FFFF
+Surrogates are code points set aside to encode the C<U+10000..U+10FFFF>
 range of Unicode code points in pairs of 16-bit units.  The I<high
-surrogates> are the range U+D800..U+DBFF, and the I<low surrogates>
-are the range U+DC00..U+DFFF.  The surrogate encoding is
+surrogates> are the range C<U+D800..U+DBFF>, and the I<low surrogates>
+are the range C<U+DC00..U+DFFF>.  The surrogate encoding is
 
        $hi = ($uni - 0x10000) / 0x400 + 0xD800;
        $lo = ($uni - 0x10000) % 0x400 + 0xDC00;
@@ -875,31 +876,30 @@ and the decoding is
        $uni = 0x10000 + ($hi - 0xD800) * 0x400 + ($lo - 0xDC00);
 
 If you try to generate surrogates (for example by using chr()), you
-will get a warning if warnings are turned on (C<-w> or C<use
-warnings;>) because those code points are not valid for a Unicode
-character.
+will get a warning if warnings are turned on, because those code
+points are not valid for a Unicode character.
 
-Because of the 16-bitness, UTF-16 is byteorder dependent.  UTF-16
+Because of the 16-bitness, UTF-16 is byte-order dependent.  UTF-16
 itself can be used for in-memory computations, but if storage or
-transfer is required, either UTF-16BE (Big Endian) or UTF-16LE
-(Little Endian) must be chosen.
+transfer is required either UTF-16BE (big-endian) or UTF-16LE
+(little-endian) encodings must be chosen.
 
 This introduces another problem: what if you just know that your data
-is UTF-16, but you don't know which endianness?  Byte Order Marks
-(BOMs) are a solution to this.  A special character has been reserved
+is UTF-16, but you don't know which endianness?  Byte Order Marks, or
+BOMs, are a solution to this.  A special character has been reserved
 in Unicode to function as a byte order marker: the character with the
-code point U+FEFF is the BOM.
+code point C<U+FEFF> is the BOM.
 
 The trick is that if you read a BOM, you will know the byte order,
-since if it was written on a big endian platform, you will read the
-bytes 0xFE 0xFF, but if it was written on a little endian platform,
-you will read the bytes 0xFF 0xFE.  (And if the originating platform
-was writing in UTF-8, you will read the bytes 0xEF 0xBB 0xBF.)
+since if it was written on a big-endian platform, you will read the
+bytes C<0xFE 0xFF>, but if it was written on a little-endian platform,
+you will read the bytes C<0xFF 0xFE>.  (And if the originating platform
+was writing in UTF-8, you will read the bytes C<0xEF 0xBB 0xBF>.)
 
 The way this trick works is that the character with the code point
-U+FFFE is guaranteed not to be a valid Unicode character, so the
-sequence of bytes 0xFF 0xFE is unambiguously "BOM, represented in
-little-endian format" and cannot be "U+FFFE, represented in big-endian
+C<U+FFFE> is guaranteed not to be a valid Unicode character, so the
+sequence of bytes C<0xFF 0xFE> is unambiguously "BOM, represented in
+little-endian format" and cannot be "C<U+FFFE>, represented in big-endian
 format".
 
 =item *
@@ -908,15 +908,15 @@ UTF-32, UTF-32BE, UTF32-LE
 
 The UTF-32 family is pretty much like the UTF-16 family, expect that
 the units are 32-bit, and therefore the surrogate scheme is not
-needed.  The BOM signatures will be 0x00 0x00 0xFE 0xFF for BE and
-0xFF 0xFE 0x00 0x00 for LE.
+needed.  The BOM signatures will be C<0x00 0x00 0xFE 0xFF> for BE and
+C<0xFF 0xFE 0x00 0x00> for LE.
 
 =item *
 
 UCS-2, UCS-4
 
 Encodings defined by the ISO 10646 standard.  UCS-2 is a 16-bit
-encoding.  Unlike UTF-16, UCS-2 is not extensible beyond U+FFFF,
+encoding.  Unlike UTF-16, UCS-2 is not extensible beyond C<U+FFFF>,
 because it does not use surrogates.  UCS-4 is a 32-bit encoding,
 functionally identical to UTF-32.
 
@@ -924,8 +924,8 @@ functionally identical to UTF-32.
 
 UTF-7
 
-A seven-bit safe (non-eight-bit) encoding, useful if the
-transport/storage is not eight-bit safe.  Defined by RFC 2152.
+A seven-bit safe (non-eight-bit) encoding, which is useful if the
+transport or storage is not eight-bit safe.  Defined by RFC 2152.
 
 =back
 
@@ -939,54 +939,54 @@ Malformed UTF-8
 
 Unfortunately, the specification of UTF-8 leaves some room for
 interpretation of how many bytes of encoded output one should generate
-from one input Unicode character.  Strictly speaking, one is supposed
-to always generate the shortest possible sequence of UTF-8 bytes,
-because otherwise there is potential for input buffer overflow at
+from one input Unicode character.  Strictly speaking, the shortest
+possible sequence of UTF-8 bytes should be generated,
+because otherwise there is potential for an input buffer overflow at
 the receiving end of a UTF-8 connection.  Perl always generates the
-shortest length UTF-8, and with warnings on (C<-w> or C<use
-warnings;>) Perl will warn about non-shortest length UTF-8 (and other
-malformations, too, such as the surrogates, which are not real
-Unicode code points.)
+shortest length UTF-8, and with warnings on Perl will warn about
+non-shortest length UTF-8 along with other malformations, such as the
+surrogates, which are not real Unicode code points.
 
 =item *
 
 Regular expressions behave slightly differently between byte data and
-character (Unicode data).  For example, the "word character" character
-class C<\w> will work differently when the data is all eight-bit bytes
-or when the data is Unicode.
+character (Unicode) data.  For example, the "word character" character
+class C<\w> will work differently depending on if data is eight-bit bytes
+or Unicode.
 
-In the first case, the set of C<\w> characters is either small (the
-default set of alphabetic characters, digits, and the "_"), or, if you
+In the first case, the set of C<\w> characters is either small--the
+default set of alphabetic characters, digits, and the "_"--or, if you
 are using a locale (see L<perllocale>), the C<\w> might contain a few
 more letters according to your language and country.
 
-In the second case, the C<\w> set of characters is much, much larger,
-and most importantly, even in the set of the first 256 characters, it
-will most probably be different: as opposed to most locales (which are
-specific to a language and country pair) Unicode classifies all the
-characters that are letters as C<\w>.  For example: your locale might
+In the second case, the C<\w> set of characters is much, much larger.
+Most importantly, even in the set of the first 256 characters, it
+will probably match different characters: unlike most locales,
+which are specific to a language and country pair, Unicode classifies all
+the characters that are letters as C<\w>.  For example, your locale might
 not think that LATIN SMALL LETTER ETH is a letter (unless you happen
 to speak Icelandic), but Unicode does.
 
-As discussed elsewhere, Perl tries to stand one leg (two legs, as
-camels are quadrupeds?) in two worlds: the old world of bytes and the new
+As discussed elsewhere, Perl has one foot (two hooves?) planted in
+each of two worlds: the old world of bytes and the new
 world of characters, upgrading from bytes to characters when necessary.
-If your legacy code is not explicitly using Unicode, no automatic
-switchover to characters should happen, and characters shouldn't get
-downgraded back to bytes, either.  It is possible to accidentally mix
-bytes and characters, however (see L<perluniintro>), in which case the
-C<\w> might start behaving differently.  Review your code.
+If your legacy code does not explicitly use Unicode, no automatic
+switch-over to characters should happen.  Characters shouldn't get
+downgraded to bytes, either.  It is possible to accidentally mix
+bytes and characters, however (see L<perluniintro>), in which case
+C<\w> in regular expressions might start behaving differently.  Review
+your code.
 
 =back
 
 =head2 Unicode in Perl on EBCDIC
 
-The way Unicode is handled on EBCDIC platforms is still rather
-experimental.  On such a platform, references to UTF-8 encoding in this
-document and elsewhere should be read as meaning UTF-EBCDIC as
-specified in Unicode Technical Report 16 unless ASCII vs EBCDIC issues
+The way Unicode is handled on EBCDIC platforms is still
+experimental.  On such platforms, references to UTF-8 encoding in this
+document and elsewhere should be read as meaning the UTF-EBCDIC
+specified in Unicode Technical Report 16, unless ASCII vs. EBCDIC issues
 are specifically discussed. There is no C<utfebcdic> pragma or
-":utfebcdic" layer, rather, "utf8" and ":utf8" are re-used to mean
+":utfebcdic" layer; rather, "utf8" and ":utf8" are reused to mean
 the platform's "natural" 8-bit encoding of Unicode. See L<perlebcdic>
 for more discussion of the issues.
 
@@ -1001,113 +1001,114 @@ there are a couple of exceptions:
 
 If your locale environment variables (LANGUAGE, LC_ALL, LC_CTYPE, LANG)
 contain the strings 'UTF-8' or 'UTF8' (case-insensitive matching),
-the default encoding of your STDIN, STDOUT, and STDERR, and of
-B<any subsequent file open>, is UTF-8.
+the default encodings of your STDIN, STDOUT, and STDERR, and of
+B<any subsequent file open>, are considered to be UTF-8.
 
 =item *
 
-Perl tries really hard to work both with Unicode and the old byte
-oriented world: most often this is nice, but sometimes this causes
-problems.
+Perl tries really hard to work both with Unicode and the old
+byte-oriented world. Most often this is nice, but sometimes Perl's
+straddling of the proverbial fence causes problems.
 
 =back
 
 =head2 Using Unicode in XS
 
 If you want to handle Perl Unicode in XS extensions, you may find
-the following C APIs useful (see perlapi for details):
+the following C APIs useful.  See L<perlapi> for details.
 
 =over 4
 
 =item *
 
-DO_UTF8(sv) returns true if the UTF8 flag is on and the bytes pragma
-is not in effect.  SvUTF8(sv) returns true is the UTF8 flag is on, the
-bytes pragma is ignored.  The UTF8 flag being on does B<not> mean that
+C<DO_UTF8(sv)> returns true if the C<UTF8> flag is on and the bytes pragma
+is not in effect.  C<SvUTF8(sv)> returns true is the C<UTF8> flag is on; the
+bytes pragma is ignored.  The C<UTF8> flag being on does B<not> mean that
 there are any characters of code points greater than 255 (or 127) in
-the scalar, or that there even are any characters in the scalar.
-What the UTF8 flag means is that the sequence of octets in the
+the scalar or that there are even any characters in the scalar.
+What the C<UTF8> flag means is that the sequence of octets in the
 representation of the scalar is the sequence of UTF-8 encoded
-code points of the characters of a string.  The UTF8 flag being
+code points of the characters of a string.  The C<UTF8> flag being
 off means that each octet in this representation encodes a single
-character with codepoint 0..255 within the string.  Perl's Unicode
-model is not to use UTF-8 until it's really necessary.
+character with code point 0..255 within the string.  Perl's Unicode
+model is not to use UTF-8 until it is absolutely necessary.
 
 =item *
 
-uvuni_to_utf8(buf, chr) writes a Unicode character code point into a
+C<uvuni_to_utf8(buf, chr>) writes a Unicode character code point into a
 buffer encoding the code point as UTF-8, and returns a pointer
 pointing after the UTF-8 bytes.
 
 =item *
 
-utf8_to_uvuni(buf, lenp) reads UTF-8 encoded bytes from a buffer and
-returns the Unicode character code point (and optionally the length of
-the UTF-8 byte sequence).
+C<utf8_to_uvuni(buf, lenp)> reads UTF-8 encoded bytes from a buffer and
+returns the Unicode character code point and, optionally, the length of
+the UTF-8 byte sequence.
 
 =item *
 
-utf8_length(start, end) returns the length of the UTF-8 encoded buffer
-in characters.  sv_len_utf8(sv) returns the length of the UTF-8 encoded
+C<utf8_length(start, end)> returns the length of the UTF-8 encoded buffer
+in characters.  C<sv_len_utf8(sv)> returns the length of the UTF-8 encoded
 scalar.
 
 =item *
 
-sv_utf8_upgrade(sv) converts the string of the scalar to its UTF-8
-encoded form.  sv_utf8_downgrade(sv) does the opposite (if possible).
-sv_utf8_encode(sv) is like sv_utf8_upgrade but the UTF8 flag does not
-get turned on.  sv_utf8_decode() does the opposite of sv_utf8_encode().
-Note that none of these are to be used as general purpose encoding/decoding
-interfaces: use Encode for that.  sv_utf8_upgrade() is affected by the
-encoding pragma, but sv_utf8_downgrade() is not (since the encoding
-pragma is designed to be a one-way street).
+C<sv_utf8_upgrade(sv)> converts the string of the scalar to its UTF-8
+encoded form.  C<sv_utf8_downgrade(sv)> does the opposite, if
+possible.  C<sv_utf8_encode(sv)> is like sv_utf8_upgrade except that
+it does not set the C<UTF8> flag.  C<sv_utf8_decode()> does the
+opposite of C<sv_utf8_encode()>.  Note that none of these are to be
+used as general-purpose encoding or decoding interfaces: C<use Encode>
+for that.  C<sv_utf8_upgrade()> is affected by the encoding pragma
+but C<sv_utf8_downgrade()> is not (since the encoding pragma is
+designed to be a one-way street).
 
 =item *
 
-is_utf8_char(s) returns true if the pointer points to a valid UTF-8
+C<is_utf8_char(s)> returns true if the pointer points to a valid UTF-8
 character.
 
 =item *
 
-is_utf8_string(buf, len) returns true if the len bytes of the buffer
+C<is_utf8_string(buf, len)> returns true if C<len> bytes of the buffer
 are valid UTF-8.
 
 =item *
 
-UTF8SKIP(buf) will return the number of bytes in the UTF-8 encoded
-character in the buffer.  UNISKIP(chr) will return the number of bytes
-required to UTF-8-encode the Unicode character code point.  UTF8SKIP()
+C<UTF8SKIP(buf)> will return the number of bytes in the UTF-8 encoded
+character in the buffer.  C<UNISKIP(chr)> will return the number of bytes
+required to UTF-8-encode the Unicode character code point.  C<UTF8SKIP()>
 is useful for example for iterating over the characters of a UTF-8
-encoded buffer; UNISKIP() is useful for example in computing
+encoded buffer; C<UNISKIP()> is useful, for example, in computing
 the size required for a UTF-8 encoded buffer.
 
 =item *
 
-utf8_distance(a, b) will tell the distance in characters between the
+C<utf8_distance(a, b)> will tell the distance in characters between the
 two pointers pointing to the same UTF-8 encoded buffer.
 
 =item *
 
-utf8_hop(s, off) will return a pointer to an UTF-8 encoded buffer that
-is C<off> (positive or negative) Unicode characters displaced from the
-UTF-8 buffer C<s>.  Be careful not to overstep the buffer: utf8_hop()
-will merrily run off the end or the beginning if told to do so.
+C<utf8_hop(s, off)> will return a pointer to an UTF-8 encoded buffer
+that is C<off> (positive or negative) Unicode characters displaced
+from the UTF-8 buffer C<s>.  Be careful not to overstep the buffer:
+C<utf8_hop()> will merrily run off the end or the beginning of the
+buffer if told to do so.
 
 =item *
 
-pv_uni_display(dsv, spv, len, pvlim, flags) and sv_uni_display(dsv,
-ssv, pvlim, flags) are useful for debug output of Unicode strings and
-scalars.  By default they are useful only for debug: they display
-B<all> characters as hexadecimal code points, but with the flags
-UNI_DISPLAY_ISPRINT and UNI_DISPLAY_BACKSLASH you can make the output
-more readable.
+C<pv_uni_display(dsv, spv, len, pvlim, flags)> and
+C<sv_uni_display(dsv, ssv, pvlim, flags)> are useful for debugging the
+output of Unicode strings and scalars.  By default they are useful
+only for debugging--they display B<all> characters as hexadecimal code
+points--but with the flags C<UNI_DISPLAY_ISPRINT> and
+C<UNI_DISPLAY_BACKSLASH> you can make the output more readable.
 
 =item *
 
-ibcmp_utf8(s1, pe1, u1, l1, u1, s2, pe2, l2, u2) can be used to
-compare two strings case-insensitively in Unicode.
-(For case-sensitive comparisons you can just use memEQ() and memNE()
-as usual.)
+C<ibcmp_utf8(s1, pe1, u1, l1, u1, s2, pe2, l2, u2)> can be used to
+compare two strings case-insensitively in Unicode.  For case-sensitive
+comparisons you can just use C<memEQ()> and C<memNE()> as usual.
 
 =back
 
@@ -1116,40 +1117,41 @@ in the Perl source code distribution.
 
 =head1 BUGS
 
-=head2 Interaction with locales
+=head2 Interaction with Locales
 
-Use of locales with Unicode data may lead to odd results.  Currently
-there is some attempt to apply 8-bit locale info to characters in the
-range 0..255, but this is demonstrably incorrect for locales that use
-characters above that range when mapped into Unicode.  It will also
-tend to run slower.  Use of locales with Unicode is discouraged.
+Use of locales with Unicode data may lead to odd results.  Currently,
+Perl attempts to attach 8-bit locale info to characters in the range
+0..255, but this technique is demonstrably incorrect for locales that
+use characters above that range when mapped into Unicode.  Perl's
+Unicode support will also tend to run slower.  Use of locales with
+Unicode is discouraged.
 
-=head2 Interaction with extensions
+=head2 Interaction with Extensions
 
-When perl exchanges data with an extension, the extension should be
+When Perl exchanges data with an extension, the extension should be
 able to understand the UTF-8 flag and act accordingly. If the
-extension doesn't know about the flag, the risk is high that it will
-return data that are incorrectly flagged.
+extension doesn't know about the flag, it's likely that the extension
+will return incorrectly-flagged data.
 
 So if you're working with Unicode data, consult the documentation of
 every module you're using if there are any issues with Unicode data
 exchange. If the documentation does not talk about Unicode at all,
 suspect the worst and probably look at the source to learn how the
-module is implemented. Modules written completely in perl shouldn't
+module is implemented. Modules written completely in Perl shouldn't
 cause problems. Modules that directly or indirectly access code written
 in other programming languages are at risk.
 
-For affected functions the simple strategy to avoid data corruption is
+For affected functions, the simple strategy to avoid data corruption is
 to always make the encoding of the exchanged data explicit. Choose an
-encoding you know the extension can handle. Convert arguments passed
+encoding that you know the extension can handle. Convert arguments passed
 to the extensions to that encoding and convert results back from that
 encoding. Write wrapper functions that do the conversions for you, so
 you can later change the functions when the extension catches up.
 
-To provide an example let's say the popular Foo::Bar::escape_html
+To provide an example, let's say the popular Foo::Bar::escape_html
 function doesn't deal with Unicode data yet. The wrapper function
 would convert the argument to raw UTF-8 and convert the result back to
-perl's internal representation like so:
+Perl's internal representation like so:
 
     sub my_escape_html ($) {
       my($what) = shift;
@@ -1187,7 +1189,7 @@ DB_File::filter_store_key and family. Look out for such filters in
 the documentation of your extensions, they can make the transition to
 Unicode data much easier.
 
-=head2 speed
+=head2 Speed
 
 Some functions are slower when working on UTF-8 encoded strings than
 on byte encoded strings.  All functions that need to hop over
@@ -1214,10 +1216,10 @@ following benchmark:
     SUBSTR_B:  3 wallclock secs ( 2.16 usr +  0.00 sys =  2.16 CPU) @ 374480.09/s (n=808877)
     SUBSTR_U:  2 wallclock secs ( 2.11 usr +  0.00 sys =  2.11 CPU) @ 6791.00/s (n=14329)
 
-The numbers show an incredible slowness on long UTF-8 strings and you
-should carefully avoid to use these functions within tight loops. For
-example if you want to iterate over characters, it is infinitely
-better to split into an array than to use substr, as the following
+The numbers show an incredible slowness on long UTF-8 strings.  You
+should carefully avoid using these functions in tight loops. If you
+want to iterate over characters, the superior coding technique would
+split the characters into an array instead of using substr, as the following
 benchmark shows:
 
   % perl -e '
@@ -1239,8 +1241,9 @@ benchmark shows:
     SUBSTR_B:  5 wallclock secs ( 5.34 usr +  0.00 sys =  5.34 CPU) @ 123.22/s (n=658)
     SUBSTR_U:  7 wallclock secs ( 6.20 usr +  0.00 sys =  6.20 CPU) @  0.81/s (n=5)
 
-You see, the algorithm based on substr() was faster with byte encoded
-data but it is pathologically slow with UTF-8 data.
+Even though the algorithm based on C<substr()> is faster than
+C<split()> for byte-encoded data, it pales in comparison to the speed
+of C<split()> when used with UTF-8 data.
 
 =head1 SEE ALSO
 
index 68fb0fa..e665d1a 100644 (file)
@@ -9,97 +9,98 @@ in Perl.
 
 =head2 Unicode
 
-Unicode is a character set standard with plans to cover all of the
+Unicode is a character set standard which plans to codify all of the
 writing systems of the world, plus many other symbols.
 
 Unicode and ISO/IEC 10646 are coordinated standards that provide code
-points for the characters in almost all modern character set standards,
+points for characters in almost all modern character set standards,
 covering more than 30 writing systems and hundreds of languages,
-including all commercially important modern languages.  All characters
+including all commercially-important modern languages.  All characters
 in the largest Chinese, Japanese, and Korean dictionaries are also
 encoded. The standards will eventually cover almost all characters in
 more than 250 writing systems and thousands of languages.
 
 A Unicode I<character> is an abstract entity.  It is not bound to any
-particular integer width, and especially not to the C language C<char>.
-Unicode is language neutral and display neutral: it doesn't encode the
-language of the text, and it doesn't define fonts or other graphical
+particular integer width, especially not to the C language C<char>.
+Unicode is language-neutral and display-neutral: it does not encode the
+language of the text and it does not define fonts or other graphical
 layout details.  Unicode operates on characters and on text built from
 those characters.
 
 Unicode defines characters like C<LATIN CAPITAL LETTER A> or C<GREEK
-SMALL LETTER ALPHA>, and then unique numbers for those, hexadecimal
-0x0041 or 0x03B1 for those particular characters.  Such unique
-numbers are called I<code points>.
+SMALL LETTER ALPHA> and unique numbers for the characters, in this
+case 0x0041 and 0x03B1, respectively.  These unique numbers are called
+I<code points>.
 
 The Unicode standard prefers using hexadecimal notation for the code
-points.  (In case this notation, numbers like 0x0041, is unfamiliar to
-you, take a peek at a later section, L</"Hexadecimal Notation">.)
+points.  If numbers like "C<0x0041" are unfamiliar to
+you, take a peek at a later section, L</"Hexadecimal Notation">.
 The Unicode standard uses the notation C<U+0041 LATIN CAPITAL LETTER A>,
-which gives the hexadecimal code point, and the normative name of
+to give the hexadecimal code point and the normative name of
 the character.
 
 Unicode also defines various I<properties> for the characters, like
-"uppercase" or "lowercase", "decimal digit", or "punctuation":
+"uppercase" or "lowercase", "decimal digit", or "punctuation";
 these properties are independent of the names of the characters.
 Furthermore, various operations on the characters like uppercasing,
-lowercasing, and collating (sorting), are defined.
+lowercasing, and collating (sorting) are defined.
 
 A Unicode character consists either of a single code point, or a
 I<base character> (like C<LATIN CAPITAL LETTER A>), followed by one or
 more I<modifiers> (like C<COMBINING ACUTE ACCENT>).  This sequence of
-a base character and modifiers is called a I<combining character
+base character and modifiers is called a I<combining character
 sequence>.
 
-Whether to call these combining character sequences, as a whole,
-"characters" depends on your point of view. If you are a programmer,
-you probably would tend towards seeing each element in the sequences
-as one unit, one "character", but from the user viewpoint, the
-sequence as a whole is probably considered one "character", since
-that's probably what it looks like in the context of the user's
-language.
-
-With this "as a whole" view of characters, the number of characters is
-open-ended. But in the programmer's "one unit is one character" point
-of view, the concept of "characters" is more deterministic, and so we
-take that point of view in this document: one "character" is one
-Unicode code point, be it a base character or a combining character.
-
-For some of the combinations there are I<precomposed> characters,
-for example C<LATIN CAPITAL LETTER A WITH ACUTE> is defined as
+Whether to call these combining character sequences "characters"
+depends on your point of view. If you are a programmer, you probably
+would tend towards seeing each element in the sequences as one unit,
+or "character".  The whole sequence could be seen as one "character",
+however, from the user's point of view, since that's probably what it
+looks like in the context of the user's language.
+
+With this "whole sequence" view of characters, the total number of
+characters is open-ended. But in the programmer's "one unit is one
+character" point of view, the concept of "characters" is more
+deterministic.  In this document, we take that second  point of view: one
+"character" is one Unicode code point, be it a base character or a
+combining character.
+
+For some combinations, there are I<precomposed> characters.
+C<LATIN CAPITAL LETTER A WITH ACUTE>, for example, is defined as
 a single code point.  These precomposed characters are, however,
-often available only for some combinations, and mainly they are
+only available for some combinations, and are mainly
 meant to support round-trip conversions between Unicode and legacy
-standards (like the ISO 8859), and in general case the composing
-method is more extensible.  To support conversion between the
+standards (like the ISO 8859).  In the general case, the composing
+method is more extensible.  To support conversion between
 different compositions of the characters, various I<normalization
-forms> are also defined.
+forms> to standardize representations are also defined.
 
 Because of backward compatibility with legacy encodings, the "a unique
-number for every character" breaks down a bit: "at least one number
-for every character" is closer to truth.  (This happens when the same
-character has been encoded in several legacy encodings.)  The converse
-is also not true: not every code point has an assigned character.
-Firstly, there are unallocated code points within otherwise used
-blocks.  Secondly, there are special Unicode control characters that
-do not represent true characters.
+number for every character" idea breaks down a bit: instead, there is
+"at least one number for every character".  The same character could
+be represented differently in several legacy encodings.  The
+converse is also not true: some code points do not have an assigned
+character.  Firstly, there are unallocated code points within
+otherwise used blocks.  Secondly, there are special Unicode control
+characters that do not represent true characters.
 
 A common myth about Unicode is that it would be "16-bit", that is,
-0x10000 (or 65536) characters from 0x0000 to 0xFFFF.  B<This is untrue.>
-Since Unicode 2.0 Unicode has been defined all the way up to 21 bits
-(0x10FFFF), and since 3.1 characters have been defined beyond 0xFFFF.
-The first 0x10000 characters are called the I<Plane 0>, or the I<Basic
-Multilingual Plane> (BMP).  With the Unicode 3.1, 17 planes in all are
-defined (but nowhere near full of defined characters yet).
+Unicode is only represented as C<0x10000> (or 65536) characters from
+C<0x0000> to C<0xFFFF>.  B<This is untrue.> Since Unicode 2.0, Unicode
+has been defined all the way up to 21 bits (C<0x10FFFF>), and since
+Unicode 3.1, characters have been defined beyond C<0xFFFF>.  The first
+C<0x10000> characters are called the I<Plane 0>, or the I<Basic
+Multilingual Plane> (BMP).  With Unicode 3.1, 17 planes in all are
+defined--but nowhere near full of defined characters, yet.
 
 Another myth is that the 256-character blocks have something to do
-with languages: a block per language.  B<Also this is untrue.>
-The division into the blocks exists but it is almost completely
-accidental, an artifact of how the characters have been historically
-allocated.  Instead, there is a concept called I<scripts>, which may
-be more useful: there is C<Latin> script, C<Greek> script, and so on.
-Scripts usually span several parts of several blocks.  For further
-information see L<Unicode::UCD>.
+with languages--that each languages is specified inside a block.
+B<This is also untrue.> The division into blocks exists, but it is
+almost completely accidental--an artifact of how the characters have
+been historically allocated.  Instead, there is a concept called
+I<scripts>, which is more useful: there is C<Latin> script,
+C<Greek> script, and so on.  Scripts usually span varied parts of
+several blocks.  For further information see L<Unicode::UCD>.
 
 The Unicode code points are just abstract numbers.  To input and
 output these abstract numbers, the numbers must be I<encoded> somehow.
@@ -107,49 +108,49 @@ Unicode defines several I<character encoding forms>, of which I<UTF-8>
 is perhaps the most popular.  UTF-8 is a variable length encoding that
 encodes Unicode characters as 1 to 6 bytes (only 4 with the currently
 defined characters).  Other encodings include UTF-16 and UTF-32 and their
-big and little endian variants (UTF-8 is byteorder independent).
+big- and little-endian variants (UTF-8 is byte-order independent).
 The ISO/IEC 10646 defines the UCS-2 and UCS-4 encoding forms.
 
-For more information about encodings, for example to learn what
-I<surrogates> and I<byte order marks> (BOMs) are, see L<perlunicode>.
+For more information about encodings--for instance, to learn what
+I<surrogates> and I<byte order marks> (BOMs) are--see L<perlunicode>.
 
 =head2 Perl's Unicode Support
 
-Starting from Perl 5.6.0, Perl has had the capability of handling
-Unicode natively.  The first recommended release for serious Unicode
-work is Perl 5.8.0, however.  The maintenance release 5.6.1 fixed many
-of the problems of the initial implementation of Unicode, but for
-example regular expressions didn't really work with Unicode.
+Starting from Perl 5.6.0, Perl has had the capacity to handle Unicode
+natively.  Perl 5.8.0, however, is the first recommended release for
+serious Unicode work.  The maintenance release 5.6.1 fixed many of the
+problems of the initial Unicode implementation, but for example
+regular expressions did not really work with Unicode.
 
 B<Starting from Perl 5.8.0, the use of C<use utf8> is no longer
 necessary.> In earlier releases the C<utf8> pragma was used to declare
 that operations in the current block or file would be Unicode-aware.
-This model was found to be wrong, or at least clumsy: the Unicodeness
-is now carried with the data, not attached to the operations.  (There
-is one remaining case where an explicit C<use utf8> is needed: if your
-Perl script itself is encoded in UTF-8, you can use UTF-8 in your
-identifier names, and in your string and regular expression literals,
-by saying C<use utf8>.  This is not the default because that would
-break existing scripts having legacy 8-bit data in them.)
+This model was found to be wrong, or at least clumsy: the "Unicodeness"
+is now carried with the data instead of being attached to the
+operations.  Only one case remains where an explicit C<use utf8> is
+needed: if your Perl script itself is encoded in UTF-8, you can use
+UTF-8 in your identifier names, and in string and regular expression
+literals, by saying C<use utf8>.  This is not the default because
+scripts with legacy 8-bit data in them would break.
 
 =head2 Perl's Unicode Model
 
-Perl supports both the old, pre-5.6, model of strings of eight-bit
-native bytes, and strings of Unicode characters.  The principle is
-that Perl tries to keep its data as eight-bit bytes for as long as
-possible, but as soon as Unicodeness cannot be avoided, the data is
-transparently upgraded to Unicode.
+Perl supports both pre-5.6 strings of eight-bit native bytes, and
+strings of Unicode characters.  The principle is that Perl tries to
+keep its data as eight-bit bytes for as long as possible, but as soon
+as Unicodeness cannot be avoided, the data is transparently upgraded
+to Unicode.
 
 Internally, Perl currently uses either whatever the native eight-bit
-character set of the platform (for example Latin-1) or UTF-8 to encode
-Unicode strings. Specifically, if all code points in the string are
-0xFF or less, Perl uses the native eight-bit character set.
-Otherwise, it uses UTF-8.
+character set of the platform (for example Latin-1) is, defaulting to
+UTF-8, to encode Unicode strings. Specifically, if all code points in
+the string are C<0xFF> or less, Perl uses the native eight-bit
+character set.  Otherwise, it uses UTF-8.
 
 A user of Perl does not normally need to know nor care how Perl
 happens to encode its internal strings, but it becomes relevant when
-outputting Unicode strings to a stream without a discipline (one with
-the "default default").  In such a case, the raw bytes used internally
+outputting Unicode strings to a stream without a discipline--one with
+the "default" encoding.  In such a case, the raw bytes used internally
 (the native character set or UTF-8, as appropriate for each string)
 will be used, and a "Wide character" warning will be issued if those
 strings contain a character beyond 0x00FF.
@@ -161,43 +162,43 @@ For example,
 produces a fairly useless mixture of native bytes and UTF-8, as well
 as a warning.
 
-To output UTF-8 always, use the ":utf8" output discipline.  Prepending
+To output UTF-8 always, use the "C<:utf8>" output discipline.  Prepending
 
       binmode(STDOUT, ":utf8");
 
-to this sample program ensures the output is completely UTF-8, and      
-of course, removes the warning.
+to this sample program ensures that the output is completely UTF-8,
+and helpfully removes the program's warning.
 
-If your locale environment variables (LANGUAGE, LC_ALL, LC_CTYPE, LANG)
-contain the strings 'UTF-8' or 'UTF8' (case-insensitive matching),
-the default encoding of your STDIN, STDOUT, and STDERR, and of
-B<any subsequent file open>, is UTF-8.  Note that this means
-that Perl expects other software to work, too: if STDIN coming
-in from another command is not UTF-8, Perl will complain about
+If your locale environment variables (C<LANGUAGE>, C<LC_ALL>,
+C<LC_CTYPE>, C<LANG>) contain the strings 'UTF-8' or 'UTF8',
+regardless of case, then the default encoding of your STDIN, STDOUT,
+and STDERR and of B<any subsequent file open>, is UTF-8.  Note that
+this means that Perl expects other software to work, too: if STDIN
+coming in from another command is not UTF-8, Perl will complain about
 malformed UTF-8.
 
 =head2 Unicode and EBCDIC
 
 Perl 5.8.0 also supports Unicode on EBCDIC platforms.  There,
-the Unicode support is somewhat more complex to implement since
+Unicode support is somewhat more complex to implement since
 additional conversions are needed at every step.  Some problems
 remain, see L<perlebcdic> for details.
 
 In any case, the Unicode support on EBCDIC platforms is better than
 in the 5.6 series, which didn't work much at all for EBCDIC platform.
 On EBCDIC platforms, the internal Unicode encoding form is UTF-EBCDIC
-instead of UTF-8 (the difference is that as UTF-8 is "ASCII-safe" in
-that ASCII characters encode to UTF-8 as-is, UTF-EBCDIC is
-"EBCDIC-safe").
+instead of UTF-8.  The difference is that as UTF-8 is "ASCII-safe" in
+that ASCII characters encode to UTF-8 as-is, while UTF-EBCDIC is
+"EBCDIC-safe".
 
 =head2 Creating Unicode
 
-To create Unicode characters in literals for code points above 0xFF,
-use the C<\x{...}> notation in doublequoted strings:
+To create Unicode characters in literals for code points above C<0xFF>,
+use the C<\x{...}> notation in double-quoted strings:
 
     my $smiley = "\x{263a}";
 
-Similarly in regular expression literals
+Similarly, it can be used in regular expression literals
 
     $smiley =~ /\x{263a}/;
 
@@ -205,20 +206,21 @@ At run-time you can use C<chr()>:
 
     my $hebrew_alef = chr(0x05d0);
 
-(See L</"Further Resources"> for how to find all these numeric codes.)
+See L</"Further Resources"> for how to find all these numeric codes.
 
-Naturally, C<ord()> will do the reverse: turn a character to a code point.
+Naturally, C<ord()> will do the reverse: it turns a character into
+a code point.
 
 Note that C<\x..> (no C<{}> and only two hexadecimal digits),
-C<\x{...}>, and C<chr(...)> for arguments less than 0x100 (decimal
+C<\x{...}>, and C<chr(...)> for arguments less than C<0x100> (decimal
 256) generate an eight-bit character for backward compatibility with
-older Perls.  For arguments of 0x100 or more, Unicode characters are
+older Perls.  For arguments of C<0x100> or more, Unicode characters are
 always produced. If you want to force the production of Unicode
 characters regardless of the numeric value, use C<pack("U", ...)>
 instead of C<\x..>, C<\x{...}>, or C<chr()>.
 
 You can also use the C<charnames> pragma to invoke characters
-by name in doublequoted strings:
+by name in double-quoted strings:
 
     use charnames ':full';
     my $arabic_alef = "\N{ARABIC LETTER ALEF}";
@@ -250,8 +252,8 @@ strings as usual.  Functions like C<index()>, C<length()>, and
 C<substr()> will work on the Unicode characters; regular expressions
 will work on the Unicode characters (see L<perlunicode> and L<perlretut>).
 
-Note that Perl does B<not> consider combining character sequences
-to be characters, such for example
+Note that Perl considers combining character sequences
+to be characters, so for example
 
     use charnames ':full';
     print length("\N{LATIN CAPITAL LETTER A}\N{COMBINING ACUTE ACCENT}"), "\n";
@@ -259,8 +261,8 @@ to be characters, such for example
 will print 2, not 1.  The only exception is that regular expressions
 have C<\X> for matching a combining character sequence.
 
-When life is not quite so transparent is working with legacy
-encodings, and I/O, and certain special cases.
+Life is not quite so transparent, however, when working with legacy
+encodings, I/O, and certain special cases:
 
 =head2 Legacy Encodings
 
@@ -271,18 +273,18 @@ using the C<encoding> pragma, for example
 
     use encoding 'latin2'; # ISO 8859-2
 
-in which case literals (string or regular expression) and chr/ord
-in your whole script are assumed to produce Unicode characters from
-ISO 8859-2 code points.  Note that the matching for the encoding 
-names is forgiving: instead of C<latin2> you could have said 
-C<Latin 2>, or C<iso8859-2>, and so forth.  With just
+in which case literals (string or regular expressions), C<chr()>, and
+C<ord()> in your whole script are assumed to produce Unicode
+characters from ISO 8859-2 code points.  Note that the matching for
+encoding names is forgiving: instead of C<latin2> you could have
+said C<Latin 2>, or C<iso8859-2>, or other variations.  With just
 
     use encoding;
 
-the environment variable C<PERL_ENCODING> will be consulted,
-but if that doesn't exist, the encoding pragma fails.
+the environment variable C<PERL_ENCODING> will be consulted.
+If that variable isn't set, the encoding pragma will fail.
 
-The C<Encode> module knows about many encodings and it has interfaces
+The C<Encode> module knows about many encodings and has interfaces
 for doing conversions between those encodings:
 
     use Encode 'from_to';
@@ -295,12 +297,12 @@ Normally, writing out Unicode data
     print FH $some_string_with_unicode, "\n";
 
 produces raw bytes that Perl happens to use to internally encode the
-Unicode string (which depends on the system, as well as what
-characters happen to be in the string at the time). If any of the
-characters are at code points 0x100 or above, you will get a warning.
-To ensure that the output is explicitly rendered in the encoding you
-desire (and to avoid the warning), open the stream with the desired
-encoding. Some examples:
+Unicode string.  Perl's internal encoding depends on the system as
+well as what characters happen to be in the string at the time. If
+any of the characters are at code points C<0x100> or above, you will get
+a warning.  To ensure that the output is explicitly rendered in the
+encoding you desire--and to avoid the warning--open the stream with
+the desired encoding. Some examples:
 
     open FH, ">:utf8", "file";
 
@@ -308,7 +310,7 @@ encoding. Some examples:
     open FH, ">:encoding(UTF-8)",     "file";
     open FH, ">:encoding(shift_jis)", "file";
 
-and on already open streams use C<binmode()>:
+and on already open streams, use C<binmode()>:
 
     binmode(STDOUT, ":utf8");
 
@@ -318,12 +320,13 @@ and on already open streams use C<binmode()>:
 
 The matching of encoding names is loose: case does not matter, and
 many encodings have several aliases.  Note that C<:utf8> discipline
-must always be specified exactly like that, it is not subject to the
+must always be specified exactly like that; it is I<not> subject to the
 loose matching of encoding names.
 
-See L<PerlIO> for the C<:utf8> layer;
-L<PerlIO::encoding> and L<Encode::PerlIO> for the C<:encoding()> layer;
-L<Encode::Supported> for many encodings supported by the C<Encode> module.
+See L<PerlIO> for the C<:utf8> layer, L<PerlIO::encoding> and
+L<Encode::PerlIO> for the C<:encoding()> layer, and
+L<Encode::Supported> for many encodings supported by the C<Encode>
+module.
 
 Reading in a file that you know happens to be encoded in one of the
 Unicode encodings does not magically turn the data into Unicode in
@@ -337,7 +340,7 @@ opening files
     my $line_of_unicode = <$fh>;
 
 The I/O disciplines can also be specified more flexibly with
-the C<open> pragma; see L<open>:
+the C<open> pragma.  See L<open>, or look at the following example.
 
     use open ':utf8'; # input and output default discipline will be UTF-8
     open X, ">file";
@@ -391,8 +394,8 @@ the file "text.utf8", encoded as UTF-8:
     while (<$nihongo>) { print $unicode }
 
 The naming of encodings, both by the C<open()> and by the C<open>
-pragma, is similarly understanding as with the C<encoding> pragma:
-C<koi8-r> and C<KOI8R> will both be understood.
+pragma, is similar to the C<encoding> pragma in that it allows for
+flexible names: C<koi8-r> and C<KOI8R> will both be understood.
 
 Common encodings recognized by ISO, MIME, IANA, and various other
 standardisation organisations are recognised; for a more detailed
@@ -430,8 +433,8 @@ yours is by running "perl -V" and looking for C<useperlio=define>.
 Sometimes you might want to display Perl scalars containing Unicode as
 simple ASCII (or EBCDIC) text.  The following subroutine converts
 its argument so that Unicode characters with code points greater than
-255 are displayed as "\x{...}", control characters (like "\n") are
-displayed as "\x..", and the rest of the characters as themselves:
+255 are displayed as "C<\x{...}>", control characters (like "C<\n>") are
+displayed as "C<\x..>", and the rest of the characters as themselves:
 
    sub nice_string {
        join("",
@@ -462,8 +465,8 @@ Bit Complement Operator ~ And vec()
 The bit complement operator C<~> may produce surprising results if used on
 strings containing characters with ordinal values above 255. In such a
 case, the results are consistent with the internal encoding of the
-characters, but not with much else. So don't do that. Similarly for vec():
-you will be operating on the internally encoded bit patterns of the Unicode
+characters, but not with much else. So don't do that. Similarly for C<vec()>:
+you will be operating on the internally-encoded bit patterns of the Unicode
 characters, not on the code point values, which is very probably not what
 you want.
 
@@ -473,12 +476,12 @@ Peeking At Perl's Internal Encoding
 
 Normal users of Perl should never care how Perl encodes any particular
 Unicode string (because the normal ways to get at the contents of a
-string with Unicode -- via input and output -- should always be via
+string with Unicode--via input and output--should always be via
 explicitly-defined I/O disciplines). But if you must, there are two
 ways of looking behind the scenes.
 
 One way of peeking inside the internal encoding of Unicode characters
-is to use C<unpack("C*", ...> to get the bytes, or C<unpack("H*", ...)>
+is to use C<unpack("C*", ...> to get the bytes or C<unpack("H*", ...)>
 to display the bytes:
 
     # this prints  c4 80  for the UTF-8 bytes 0xc4 0x80
@@ -489,7 +492,7 @@ Yet another way would be to use the Devel::Peek module:
     perl -MDevel::Peek -e 'Dump(chr(0x100))'
 
 That shows the UTF8 flag in FLAGS and both the UTF-8 bytes
-and Unicode characters in PV.  See also later in this document
+and Unicode characters in C<PV>.  See also later in this document
 the discussion about the C<is_utf8> function of the C<Encode> module.
 
 =back
@@ -503,22 +506,21 @@ the discussion about the C<is_utf8> function of the C<Encode> module.
 String Equivalence
 
 The question of string equivalence turns somewhat complicated
-in Unicode: what do you mean by equal?
+in Unicode: what do you mean by "equal"?
 
 (Is C<LATIN CAPITAL LETTER A WITH ACUTE> equal to
 C<LATIN CAPITAL LETTER A>?)
 
 The short answer is that by default Perl compares equivalence (C<eq>,
 C<ne>) based only on code points of the characters.  In the above
-case, the answer is no (because 0x00C1 != 0x0041).  But sometimes any
-CAPITAL LETTER As being considered equal, or even any As of any case,
-would be desirable.
+case, the answer is no (because 0x00C1 != 0x0041).  But sometimes, any
+CAPITAL LETTER As should be considered equal, or even As of any case.
 
 The long answer is that you need to consider character normalization
-and casing issues: see L<Unicode::Normalize>, and Unicode Technical
+and casing issues: see L<Unicode::Normalize>, Unicode Technical
 Reports #15 and #21, I<Unicode Normalization Forms> and I<Case
-Mappings>, http://www.unicode.org/unicode/reports/tr15/
-http://www.unicode.org/unicode/reports/tr21/
+Mappings>, http://www.unicode.org/unicode/reports/tr15/ and 
+http://www.unicode.org/unicode/reports/tr21/ 
 
 As of Perl 5.8.0, regular expression case-ignoring matching
 implements only 1:1 semantics: one character matches one character.
@@ -528,7 +530,7 @@ In I<Case Mappings> both 1:N and N:1 matches are defined.
 
 String Collation
 
-People like to see their strings nicely sorted, or as Unicode
+People like to see their strings nicely sorted--or as Unicode
 parlance goes, collated.  But again, what do you mean by collate?
 
 (Does C<LATIN CAPITAL LETTER A WITH ACUTE> come before or after
@@ -536,7 +538,8 @@ C<LATIN CAPITAL LETTER A WITH GRAVE>?)
 
 The short answer is that by default, Perl compares strings (C<lt>,
 C<le>, C<cmp>, C<ge>, C<gt>) based only on the code points of the
-characters.  In the above case, the answer is "after", since 0x00C1 > 0x00C0.
+characters.  In the above case, the answer is "after", since C<0x00C1>
+> C<0x00C0>.
 
 The long answer is that "it depends", and a good answer cannot be
 given without knowing (at the very least) the language context.
@@ -556,22 +559,22 @@ Character Ranges and Classes
 Character ranges in regular expression character classes (C</[a-z]/>)
 and in the C<tr///> (also known as C<y///>) operator are not magically
 Unicode-aware.  What this means that C<[A-Za-z]> will not magically start
-to mean "all alphabetic letters" (not that it does mean that even for
-8-bit characters, you should be using C</[[:alpha:]]/> for that).
+to mean "all alphabetic letters"; not that it does mean that even for
+8-bit characters, you should be using C</[[:alpha:]]/> in that case.
 
-For specifying things like that in regular expressions, you can use
-the various Unicode properties, C<\pL> or perhaps C<\p{Alphabetic}>,
+For specifying character classes like that in regular expressions, you can use
+the various Unicode properties--C<\pL>, or perhaps C<\p{Alphabetic}>,
 in this particular case.  You can use Unicode code points as the end
-points of character ranges, but that means that particular code point
-range, nothing more.  For further information (there are dozens
-of Unicode character classes), see L<perlunicode>.
+points of character ranges, but there is no magic associated with
+specifying a certain range.  For further information--there are dozens
+of Unicode character classes--see L<perlunicode>.
 
 =item *
 
 String-To-Number Conversions
 
-Unicode does define several other decimal (and numeric) characters
-than just the familiar 0 to 9, such as the Arabic and Indic digits.
+Unicode does define several other decimal--and numeric--characters
+besides the familiar 0 to 9, such as the Arabic and Indic digits.
 Perl does not support string-to-number conversion for digits other
 than ASCII 0 to 9 (and ASCII a to f for hexadecimal).
 
@@ -586,26 +589,26 @@ than ASCII 0 to 9 (and ASCII a to f for hexadecimal).
 Will My Old Scripts Break?
 
 Very probably not.  Unless you are generating Unicode characters
-somehow, any old behaviour should be preserved.  About the only
+somehow, old behaviour should be preserved.  About the only
 behaviour that has changed and which could start generating Unicode
 is the old behaviour of C<chr()> where supplying an argument more
-than 255 produced a character modulo 255 (for example, C<chr(300)>
-was equal to C<chr(45)>).
+than 255 produced a character modulo 255.  C<chr(300)>, for example,
+was equal to C<chr(45)>.
 
 =item 
 
 How Do I Make My Scripts Work With Unicode?
 
 Very little work should be needed since nothing changes until you
-somehow generate Unicode data.  The greatest trick will be getting
-input as Unicode, and for that see the earlier I/O discussion.
+generate Unicode data.  The trick is getting input as Unicode; for
+that, see the earlier I/O discussion.
 
 =item 
 
 How Do I Know Whether My String Is In Unicode?
 
-You shouldn't care.  No, you really shouldn't.  If you have
-to care (beyond the cases described above), it means that we
+You shouldn't care.  No, you really shouldn't.  No, really.  If you have
+to care--beyond the cases described above--it means that we
 didn't get the transparency of Unicode quite right.
 
 Okay, if you insist:
@@ -618,12 +621,12 @@ string are necessary UTF-8 encoded, or that any of the characters have
 code points greater than 0xFF (255) or even 0x80 (128), or that the
 string has any characters at all.  All the C<is_utf8()> does is to
 return the value of the internal "utf8ness" flag attached to the
-$string.  If the flag is off, the bytes in the scalar are interpreted
+C<$string>.  If the flag is off, the bytes in the scalar are interpreted
 as a single byte encoding.  If the flag is on, the bytes in the scalar
-are interpreted as the (multibyte, variable-length) UTF-8 encoded code
+are interpreted as the (multi-byte, variable-length) UTF-8 encoded code
 points of the characters.  Bytes added to an UTF-8 encoded string are
 automatically upgraded to UTF-8.  If mixed non-UTF8 and UTF-8 scalars
-are merged (doublequoted interpolation, explicit concatenation, and
+are merged (double-quoted interpolation, explicit concatenation, and
 printf/sprintf parameter substitution), the result will be UTF-8 encoded
 as if copies of the byte strings were upgraded to UTF-8: for example,
 
@@ -631,8 +634,8 @@ as if copies of the byte strings were upgraded to UTF-8: for example,
     $b = "\x{100}";
     print "$a = $b\n";
 
-the output string will be UTF-8-encoded "ab\x80c\x{100}\n", but note
-that C<$a> will stay single byte encoded.
+the output string will be UTF-8-encoded "C<ab\x80c\x{100}\n>", but note
+that C<$a> will stay byte-encoded.
 
 Sometimes you might really need to know the byte length of a string
 instead of the character length. For that use either the
@@ -666,7 +669,7 @@ For UTF-8 only, you can use:
     @chars = unpack("U0U*", $string_of_bytes_that_I_think_is_utf8);
 
 If invalid, a C<Malformed UTF-8 character (byte 0x##) in
-unpack> is produced. The "U0" means "expect strictly UTF-8
+unpack> warning is produced. The "U0" means "expect strictly UTF-8
 encoded Unicode".  Without that the C<unpack("U*", ...)>
 would accept also data like C<chr(0xFF>), similarly to the
 C<pack> as we saw earlier.
@@ -679,10 +682,10 @@ This probably isn't as useful as you might think.
 Normally, you shouldn't need to.
 
 In one sense, what you are asking doesn't make much sense: Encodings
-are for characters, and binary data is not "characters", so converting
+are for characters, and binary data are not "characters", so converting
 "data" into some encoding isn't meaningful unless you know in what
 character set and encoding the binary data is in, in which case it's
-not binary data, now is it?
+not just binary data, now is it?
 
 If you have a raw sequence of bytes that you know should be interpreted via
 a particular encoding, you can use C<Encode>:
@@ -690,11 +693,11 @@ a particular encoding, you can use C<Encode>:
     use Encode 'from_to';
     from_to($data, "iso-8859-1", "utf-8"); # from latin-1 to utf-8
 
-The call to from_to() changes the bytes in $data, but nothing material
+The call to C<from_to()> changes the bytes in C<$data>, but nothing material
 about the nature of the string has changed as far as Perl is concerned.
-Both before and after the call, the string $data contains just a bunch of
-8-bit bytes. As far as Perl is concerned, the encoding of the string (as
-Perl sees it) remains as "system-native 8-bit bytes".
+Both before and after the call, the string C<$data> contains just a bunch of
+8-bit bytes. As far as Perl is concerned, the encoding of the string
+remains as "system-native 8-bit bytes".
 
 You might relate this to a fictional 'Translate' module:
 
@@ -707,7 +710,7 @@ The contents of the string changes, but not the nature of the string.
 Perl doesn't know any more after the call than before that the contents
 of the string indicates the affirmative.
 
-Back to converting data, if you have (or want) data in your system's
+Back to converting data.  If you have (or want) data in your system's
 native 8-bit encoding (e.g. Latin-1, EBCDIC, etc.), you can use
 pack/unpack to convert to/from Unicode.
 
@@ -744,11 +747,11 @@ pragma.  Use only one or the other.
 
 =head2 Hexadecimal Notation
 
-The Unicode standard prefers using hexadecimal notation because that
-shows better the division of Unicode into blocks of 256 characters.
+The Unicode standard prefers using hexadecimal notation because
+that more clearly shows the division of Unicode into blocks of 256 characters.
 Hexadecimal is also simply shorter than decimal.  You can use decimal
 notation, too, but learning to use hexadecimal just makes life easier
-with the Unicode standard.  The "U+HHHH" notation uses hexadecimal,
+with the Unicode standard.  The "C<U+HHHH>" notation uses hexadecimal,
 for example.
 
 The C<0x> prefix means a hexadecimal number, the digits are 0-9 I<and>
@@ -756,7 +759,7 @@ a-f (or A-F, case doesn't matter).  Each hexadecimal digit represents
 four bits, or half a byte.  C<print 0x..., "\n"> will show a
 hexadecimal number in decimal, and C<printf "%x\n", $decimal> will
 show a decimal number in hexadecimal.  If you have just the
-"hexdigits" of a hexadecimal number, you can use the C<hex()> function.
+"hex digits" of a hexadecimal number, you can use the C<hex()> function.
 
     print 0x0009, "\n";    # 9
     print 0x000a, "\n";    # 10
@@ -848,7 +851,7 @@ If you cannot upgrade your Perl to 5.8.0 or later, you can still
 do some Unicode processing by using the modules C<Unicode::String>,
 C<Unicode::Map8>, and C<Unicode::Map>, available from CPAN.
 If you have the GNU recode installed, you can also use the
-Perl frontend C<Convert::Recode> for character conversions.
+Perl front-end C<Convert::Recode> for character conversions.
 
 The following are fast conversions from ISO 8859-1 (Latin-1) bytes
 to UTF-8 bytes, the code works even with older Perl 5 versions.
@@ -864,7 +867,7 @@ to UTF-8 bytes, the code works even with older Perl 5 versions.
 L<perlunicode>, L<Encode>, L<encoding>, L<open>, L<utf8>, L<bytes>,
 L<perlretut>, L<Unicode::Collate>, L<Unicode::Normalize>, L<Unicode::UCD>
 
-=head1 ACKNOWLEDGEMENTS
+=head1 ACKNOWLEDGMENTS
 
 Thanks to the kind readers of the perl5-porters@perl.org,
 perl-unicode@perl.org, linux-utf8@nl.linux.org, and unicore@unicode.org