cpan/Encode/Unicode/Unicode.pm

   1 package Encode::Unicode;
   2
   3 use strict;
   4 use warnings;
   5 no warnings 'redefine';
   6
   7 our $VERSION = do { my @r = ( q$Revision: 2.9 $ =~ /\d+/g ); sprintf "%d." . "%02d" x $#r, @r };
   8
   9 use XSLoader;
  10 XSLoader::load( __PACKAGE__, $VERSION );
  11
  12 #
  13 # Object Generator 8 transcoders all at once!
  14 #
  15
  16 require Encode;
  17
  18 our %BOM_Unknown = map { $_ => 1 } qw(UTF-16 UTF-32);
  19
  20 for my $name (
  21     qw(UTF-16 UTF-16BE UTF-16LE
  22     UTF-32 UTF-32BE UTF-32LE
  23     UCS-2BE  UCS-2LE)
  24   )
  25 {
  26     my ( $size, $endian, $ucs2, $mask );
  27     $name =~ /^(\w+)-(\d+)(\w*)$/o;
  28     if ( $ucs2 = ( $1 eq 'UCS' ) ) {
  29         $size = 2;
  30     }
  31     else {
  32         $size = $2 / 8;
  33     }
  34     $endian = ( $3 eq 'BE' ) ? 'n' : ( $3 eq 'LE' ) ? 'v' : '';
  35     $size == 4 and $endian = uc($endian);
  36
  37     $Encode::Encoding{$name} = bless {
  38         Name   => $name,
  39         size   => $size,
  40         endian => $endian,
  41         ucs2   => $ucs2,
  42     } => __PACKAGE__;
  43 }
  44
  45 use parent qw(Encode::Encoding);
  46
  47 sub renew {
  48     my $self = shift;
  49     $BOM_Unknown{ $self->name } or return $self;
  50     my $clone = bless {%$self} => ref($self);
  51     $clone->{renewed}++;    # so the caller knows it is renewed.
  52     return $clone;
  53 }
  54
  55 # There used to be a perl implementation of (en|de)code but with
  56 # XS version is ripe, perl version is zapped for optimal speed
  57
  58 *decode = \&decode_xs;
  59 *encode = \&encode_xs;
  60
  61 1;
  62 __END__
  63
  64 =head1 NAME
  65
  66 Encode::Unicode -- Various Unicode Transformation Formats
  67
  68 =cut
  69
  70 =head1 SYNOPSIS
  71
  72     use Encode qw/encode decode/;
  73     $ucs2 = encode("UCS-2BE", $utf8);
  74     $utf8 = decode("UCS-2BE", $ucs2);
  75
  76 =head1 ABSTRACT
  77
  78 This module implements all Character Encoding Schemes of Unicode that
  79 are officially documented by Unicode Consortium (except, of course,
  80 for UTF-8, which is a native format in perl).
  81
  82 =over 4
  83
  84 =item L<http://www.unicode.org/glossary/> says:
  85
  86 I<Character Encoding Scheme> A character encoding form plus byte
  87 serialization. There are Seven character encoding schemes in Unicode:
  88 UTF-8, UTF-16, UTF-16BE, UTF-16LE, UTF-32 (UCS-4), UTF-32BE (UCS-4BE) and
  89 UTF-32LE (UCS-4LE), and UTF-7.
  90
  91 Since UTF-7 is a 7-bit (re)encoded version of UTF-16BE, It is not part of
  92 Unicode's Character Encoding Scheme.  It is separately implemented in
  93 Encode::Unicode::UTF7.  For details see L<Encode::Unicode::UTF7>.
  94
  95 =item Quick Reference
  96
  97                 Decodes from ord(N)           Encodes chr(N) to...
  98        octet/char BOM S.P d800-dfff  ord > 0xffff     \x{1abcd} ==
  99   ---------------+-----------------+------------------------------
 100   UCS-2BE       2   N   N  is bogus                  Not Available
 101   UCS-2LE       2   N   N     bogus                  Not Available
 102   UTF-16      2/4   Y   Y  is   S.P           S.P            BE/LE
 103   UTF-16BE    2/4   N   Y       S.P           S.P    0xd82a,0xdfcd
 104   UTF-16LE    2/4   N   Y       S.P           S.P    0x2ad8,0xcddf
 105   UTF-32        4   Y   -  is bogus         As is            BE/LE
 106   UTF-32BE      4   N   -     bogus         As is       0x0001abcd
 107   UTF-32LE      4   N   -     bogus         As is       0xcdab0100
 108   UTF-8       1-4   -   -     bogus   >= 4 octets   \xf0\x9a\af\8d
 109   ---------------+-----------------+------------------------------
 110
 111 =back
 112
 113 =head1 Size, Endianness, and BOM
 114
 115 You can categorize these CES by 3 criteria:  size of each character,
 116 endianness, and Byte Order Mark.
 117
 118 =head2 by size
 119
 120 UCS-2 is a fixed-length encoding with each character taking 16 bits.
 121 It B<does not> support I<surrogate pairs>.  When a surrogate pair
 122 is encountered during decode(), its place is filled with \x{FFFD}
 123 if I<CHECK> is 0, or the routine croaks if I<CHECK> is 1.  When a
 124 character whose ord value is larger than 0xFFFF is encountered,
 125 its place is filled with \x{FFFD} if I<CHECK> is 0, or the routine
 126 croaks if I<CHECK> is 1.
 127
 128 UTF-16 is almost the same as UCS-2 but it supports I<surrogate pairs>.
 129 When it encounters a high surrogate (0xD800-0xDBFF), it fetches the
 130 following low surrogate (0xDC00-0xDFFF) and C<desurrogate>s them to
 131 form a character.  Bogus surrogates result in death.  When \x{10000}
 132 or above is encountered during encode(), it C<ensurrogate>s them and
 133 pushes the surrogate pair to the output stream.
 134
 135 UTF-32 (UCS-4) is a fixed-length encoding with each character taking 32 bits.
 136 Since it is 32-bit, there is no need for I<surrogate pairs>.
 137
 138 =head2 by endianness
 139
 140 The first (and now failed) goal of Unicode was to map all character
 141 repertoires into a fixed-length integer so that programmers are happy.
 142 Since each character is either a I<short> or I<long> in C, you have to
 143 pay attention to the endianness of each platform when you pass data
 144 to one another.
 145
 146 Anything marked as BE is Big Endian (or network byte order) and LE is
 147 Little Endian (aka VAX byte order).  For anything not marked either
 148 BE or LE, a character called Byte Order Mark (BOM) indicating the
 149 endianness is prepended to the string.
 150
 151 CAVEAT: Though BOM in utf8 (\xEF\xBB\xBF) is valid, it is meaningless
 152 and as of this writing Encode suite just leave it as is (\x{FeFF}).
 153
 154 =over 4
 155
 156 =item BOM as integer when fetched in network byte order
 157
 158               16         32 bits/char
 159   -------------------------
 160   BE      0xFeFF 0x0000FeFF
 161   LE      0xFFFe 0xFFFe0000
 162   -------------------------
 163
 164 =back
 165
 166 This modules handles the BOM as follows.
 167
 168 =over 4
 169
 170 =item *
 171
 172 When BE or LE is explicitly stated as the name of encoding, BOM is
 173 simply treated as a normal character (ZERO WIDTH NO-BREAK SPACE).
 174
 175 =item *
 176
 177 When BE or LE is omitted during decode(), it checks if BOM is at the
 178 beginning of the string; if one is found, the endianness is set to
 179 what the BOM says.  If no BOM is found, the routine dies.
 180
 181 =item *
 182
 183 When BE or LE is omitted during encode(), it returns a BE-encoded
 184 string with BOM prepended.  So when you want to encode a whole text
 185 file, make sure you encode() the whole text at once, not line by line
 186 or each line, not file, will have a BOM prepended.
 187
 188 =item *
 189
 190 C<UCS-2> is an exception.  Unlike others, this is an alias of UCS-2BE.
 191 UCS-2 is already registered by IANA and others that way.
 192
 193 =back
 194
 195 =head1 Surrogate Pairs
 196
 197 To say the least, surrogate pairs were the biggest mistake of the
 198 Unicode Consortium.  But according to the late Douglas Adams in I<The
 199 Hitchhiker's Guide to the Galaxy> Trilogy, C<In the beginning the
 200 Universe was created. This has made a lot of people very angry and
 201 been widely regarded as a bad move>.  Their mistake was not of this
 202 magnitude so let's forgive them.
 203
 204 (I don't dare make any comparison with Unicode Consortium and the
 205 Vogons here ;)  Or, comparing Encode to Babel Fish is completely
 206 appropriate -- if you can only stick this into your ear :)
 207
 208 Surrogate pairs were born when the Unicode Consortium finally
 209 admitted that 16 bits were not big enough to hold all the world's
 210 character repertoires.  But they already made UCS-2 16-bit.  What
 211 do we do?
 212
 213 Back then, the range 0xD800-0xDFFF was not allocated.  Let's split
 214 that range in half and use the first half to represent the C<upper
 215 half of a character> and the second half to represent the C<lower
 216 half of a character>.  That way, you can represent 1024 * 1024 =
 217 1048576 more characters.  Now we can store character ranges up to
 218 \x{10ffff} even with 16-bit encodings.  This pair of half-character is
 219 now called a I<surrogate pair> and UTF-16 is the name of the encoding
 220 that embraces them.
 221
 222 Here is a formula to ensurrogate a Unicode character \x{10000} and
 223 above;
 224
 225   $hi = ($uni - 0x10000) / 0x400 + 0xD800;
 226   $lo = ($uni - 0x10000) % 0x400 + 0xDC00;
 227
 228 And to desurrogate;
 229
 230  $uni = 0x10000 + ($hi - 0xD800) * 0x400 + ($lo - 0xDC00);
 231
 232 Note this move has made \x{D800}-\x{DFFF} into a forbidden zone but
 233 perl does not prohibit the use of characters within this range.  To perl,
 234 every one of \x{0000_0000} up to \x{ffff_ffff} (*) is I<a character>.
 235
 236   (*) or \x{ffff_ffff_ffff_ffff} if your perl is compiled with 64-bit
 237   integer support!
 238
 239 =head1 Error Checking
 240
 241 Unlike most encodings which accept various ways to handle errors,
 242 Unicode encodings simply croaks.
 243
 244   % perl -MEncode -e'$_ = "\xfe\xff\xd8\xd9\xda\xdb\0\n"' \
 245          -e'Encode::from_to($_, "utf16","shift_jis", 0); print'
 246   UTF-16:Malformed LO surrogate d8d9 at /path/to/Encode.pm line 184.
 247   % perl -MEncode -e'$a = "BOM missing"' \
 248          -e' Encode::from_to($a, "utf16", "shift_jis", 0); print'
 249   UTF-16:Unrecognised BOM 424f at /path/to/Encode.pm line 184.
 250
 251 Unlike other encodings where mappings are not one-to-one against
 252 Unicode, UTFs are supposed to map 100% against one another.  So Encode
 253 is more strict on UTFs.
 254
 255 Consider that "division by zero" of Encode :)
 256
 257 =head1 SEE ALSO
 258
 259 L<Encode>, L<Encode::Unicode::UTF7>, L<http://www.unicode.org/glossary/>,
 260 L<http://www.unicode.org/unicode/faq/utf_bom.html>,
 261
 262 RFC 2781 L<http://www.ietf.org/rfc/rfc2781.txt>,
 263
 264 The whole Unicode standard L<http://www.unicode.org/unicode/uni2book/u2.html>
 265
 266 Ch. 15, pp. 403 of C<Programming Perl (3rd Edition)>
 267 by Larry Wall, Tom Christiansen, Jon Orwant;
 268 O'Reilly & Associates; ISBN 0-596-00027-8
 269
 270 =cut