lib/perl5/5.6.1/pods/perlunicode.pod

   1 =head1 NAME
   2
   3 perlunicode - Unicode support in Perl (EXPERIMENTAL, subject to change)
   4
   5 =head1 DESCRIPTION
   6
   7 =head2 Important Caveat
   8
   9     WARNING:  As of the 5.6.1 release, the implementation of Unicode
  10     support in Perl is incomplete, and continues to be highly experimental.
  11
  12 The following areas need further work.  They are being rapidly addressed
  13 in the 5.7.x development branch.
  14
  15 =over 4
  16
  17 =item Input and Output Disciplines
  18
  19 There is currently no easy way to mark data read from a file or other
  20 external source as being utf8.  This will be one of the major areas of
  21 focus in the near future.
  22
  23 =item Regular Expressions
  24
  25 The existing regular expression compiler does not produce polymorphic
  26 opcodes.  This means that the determination on whether to match Unicode
  27 characters is made when the pattern is compiled, based on whether the
  28 pattern contains Unicode characters, and not when the matching happens
  29 at run time.  This needs to be changed to adaptively match Unicode if
  30 the string to be matched is Unicode.
  31
  32 =item C<use utf8> still needed to enable a few features
  33
  34 The C<utf8> pragma implements the tables used for Unicode support.  These
  35 tables are automatically loaded on demand, so the C<utf8> pragma need not
  36 normally be used.
  37
  38 However, as a compatibility measure, this pragma must be explicitly used
  39 to enable recognition of UTF-8 encoded literals and identifiers in the
  40 source text.
  41
  42 =back
  43
  44 =head2 Byte and Character semantics
  45
  46 Beginning with version 5.6, Perl uses logically wide characters to
  47 represent strings internally.  This internal representation of strings
  48 uses the UTF-8 encoding.
  49
  50 In future, Perl-level operations can be expected to work with characters
  51 rather than bytes, in general.
  52
  53 However, as strictly an interim compatibility measure, Perl v5.6 aims to
  54 provide a safe migration path from byte semantics to character semantics
  55 for programs.  For operations where Perl can unambiguously decide that the
  56 input data is characters, Perl now switches to character semantics.
  57 For operations where this determination cannot be made without additional
  58 information from the user, Perl decides in favor of compatibility, and
  59 chooses to use byte semantics.
  60
  61 This behavior preserves compatibility with earlier versions of Perl,
  62 which allowed byte semantics in Perl operations, but only as long as
  63 none of the program's inputs are marked as being as source of Unicode
  64 character data.  Such data may come from filehandles, from calls to
  65 external programs, from information provided by the system (such as %ENV),
  66 or from literals and constants in the source text.
  67
  68 If the C<-C> command line switch is used, (or the ${^WIDE_SYSTEM_CALLS}
  69 global flag is set to C<1>), all system calls will use the
  70 corresponding wide character APIs.  This is currently only implemented
  71 on Windows.
  72
  73 Regardless of the above, the C<bytes> pragma can always be used to force
  74 byte semantics in a particular lexical scope.  See L<bytes>.
  75
  76 The C<utf8> pragma is primarily a compatibility device that enables
  77 recognition of UTF-8 in literals encountered by the parser.  It may also
  78 be used for enabling some of the more experimental Unicode support features.
  79 Note that this pragma is only required until a future version of Perl
  80 in which character semantics will become the default.  This pragma may
  81 then become a no-op.  See L<utf8>.
  82
  83 Unless mentioned otherwise, Perl operators will use character semantics
  84 when they are dealing with Unicode data, and byte semantics otherwise.
  85 Thus, character semantics for these operations apply transparently; if
  86 the input data came from a Unicode source (for example, by adding a
  87 character encoding discipline to the filehandle whence it came, or a
  88 literal UTF-8 string constant in the program), character semantics
  89 apply; otherwise, byte semantics are in effect.  To force byte semantics
  90 on Unicode data, the C<bytes> pragma should be used.
  91
  92 Under character semantics, many operations that formerly operated on
  93 bytes change to operating on characters.  For ASCII data this makes
  94 no difference, because UTF-8 stores ASCII in single bytes, but for
  95 any character greater than C<chr(127)>, the character may be stored in
  96 a sequence of two or more bytes, all of which have the high bit set.
  97 But by and large, the user need not worry about this, because Perl
  98 hides it from the user.  A character in Perl is logically just a number
  99 ranging from 0 to 2**32 or so.  Larger characters encode to longer
 100 sequences of bytes internally, but again, this is just an internal
 101 detail which is hidden at the Perl level.
 102
 103 =head2 Effects of character semantics
 104
 105 Character semantics have the following effects:
 106
 107 =over 4
 108
 109 =item *
 110
 111 Strings and patterns may contain characters that have an ordinal value
 112 larger than 255.
 113
 114 Presuming you use a Unicode editor to edit your program, such characters
 115 will typically occur directly within the literal strings as UTF-8
 116 characters, but you can also specify a particular character with an
 117 extension of the C<\x> notation.  UTF-8 characters are specified by
 118 putting the hexadecimal code within curlies after the C<\x>.  For instance,
 119 a Unicode smiley face is C<\x{263A}>.
 120
 121 =item *
 122
 123 Identifiers within the Perl script may contain Unicode alphanumeric
 124 characters, including ideographs.  (You are currently on your own when
 125 it comes to using the canonical forms of characters--Perl doesn't (yet)
 126 attempt to canonicalize variable names for you.)
 127
 128 =item *
 129
 130 Regular expressions match characters instead of bytes.  For instance,
 131 "." matches a character instead of a byte.  (However, the C<\C> pattern
 132 is provided to force a match a single byte ("C<char>" in C, hence
 133 C<\C>).)
 134
 135 =item *
 136
 137 Character classes in regular expressions match characters instead of
 138 bytes, and match against the character properties specified in the
 139 Unicode properties database.  So C<\w> can be used to match an ideograph,
 140 for instance.
 141
 142 =item *
 143
 144 Named Unicode properties and block ranges make be used as character
 145 classes via the new C<\p{}> (matches property) and C<\P{}> (doesn't
 146 match property) constructs.  For instance, C<\p{Lu}> matches any
 147 character with the Unicode uppercase property, while C<\p{M}> matches
 148 any mark character.  Single letter properties may omit the brackets, so
 149 that can be written C<\pM> also.  Many predefined character classes are
 150 available, such as C<\p{IsMirrored}> and  C<\p{InTibetan}>.
 151
 152 =item *
 153
 154 The special pattern C<\X> match matches any extended Unicode sequence
 155 (a "combining character sequence" in Standardese), where the first
 156 character is a base character and subsequent characters are mark
 157 characters that apply to the base character.  It is equivalent to
 158 C<(?:\PM\pM*)>.
 159
 160 =item *
 161
 162 The C<tr///> operator translates characters instead of bytes.  Note
 163 that the C<tr///CU> functionality has been removed, as the interface
 164 was a mistake.  For similar functionality see pack('U0', ...) and
 165 pack('C0', ...).
 166
 167 =item *
 168
 169 Case translation operators use the Unicode case translation tables
 170 when provided character input.  Note that C<uc()> translates to
 171 uppercase, while C<ucfirst> translates to titlecase (for languages
 172 that make the distinction).  Naturally the corresponding backslash
 173 sequences have the same semantics.
 174
 175 =item *
 176
 177 Most operators that deal with positions or lengths in the string will
 178 automatically switch to using character positions, including C<chop()>,
 179 C<substr()>, C<pos()>, C<index()>, C<rindex()>, C<sprintf()>,
 180 C<write()>, and C<length()>.  Operators that specifically don't switch
 181 include C<vec()>, C<pack()>, and C<unpack()>.  Operators that really
 182 don't care include C<chomp()>, as well as any other operator that
 183 treats a string as a bucket of bits, such as C<sort()>, and the
 184 operators dealing with filenames.
 185
 186 =item *
 187
 188 The C<pack()>/C<unpack()> letters "C<c>" and "C<C>" do I<not> change,
 189 since they're often used for byte-oriented formats.  (Again, think
 190 "C<char>" in the C language.)  However, there is a new "C<U>" specifier
 191 that will convert between UTF-8 characters and integers.  (It works
 192 outside of the utf8 pragma too.)
 193
 194 =item *
 195
 196 The C<chr()> and C<ord()> functions work on characters.  This is like
 197 C<pack("U")> and C<unpack("U")>, not like C<pack("C")> and
 198 C<unpack("C")>.  In fact, the latter are how you now emulate
 199 byte-oriented C<chr()> and C<ord()> under utf8.
 200
 201 =item *
 202
 203 The bit string operators C<& | ^ ~> can operate on character data.
 204 However, for backward compatibility reasons (bit string operations
 205 when the characters all are less than 256 in ordinal value) one cannot
 206 mix C<~> (the bit complement) and characters both less than 256 and
 207 equal or greater than 256.  Most importantly, the DeMorgan's laws
 208 (C<~($x|$y) eq ~$x&~$y>, C<~($x&$y) eq ~$x|~$y>) won't hold.
 209 Another way to look at this is that the complement cannot return
 210 B<both> the 8-bit (byte) wide bit complement, and the full character
 211 wide bit complement.
 212
 213 =item *
 214
 215 And finally, C<scalar reverse()> reverses by character rather than by byte.
 216
 217 =back
 218
 219 =head2 Character encodings for input and output
 220
 221 [XXX: This feature is not yet implemented.]
 222
 223 =head1 CAVEATS
 224
 225 As of yet, there is no method for automatically coercing input and
 226 output to some encoding other than UTF-8.  This is planned in the near
 227 future, however.
 228
 229 Whether an arbitrary piece of data will be treated as "characters" or
 230 "bytes" by internal operations cannot be divined at the current time.
 231
 232 Use of locales with utf8 may lead to odd results.  Currently there is
 233 some attempt to apply 8-bit locale info to characters in the range
 234 0..255, but this is demonstrably incorrect for locales that use
 235 characters above that range (when mapped into Unicode).  It will also
 236 tend to run slower.  Avoidance of locales is strongly encouraged.
 237
 238 =head1 SEE ALSO
 239
 240 L<bytes>, L<utf8>, L<perlvar/"${^WIDE_SYSTEM_CALLS}">
 241
 242 =cut