pod/perlunicode.pod

   1 =head1 NAME
   2
   3 perlunicode - Unicode support in Perl
   4
   5 =head1 DESCRIPTION
   6
   7 =head2 Important Caveats
   8
   9 Unicode support is an extensive requirement. While Perl does not
  10 implement the Unicode standard or the accompanying technical reports
  11 from cover to cover, Perl does support many Unicode features.
  12
  13 People who want to learn to use Unicode in Perl, should probably read
  14 the L<Perl Unicode tutorial, perlunitut|perlunitut> and
  15 L<perluniintro>, before reading
  16 this reference document.
  17
  18 Also, the use of Unicode may present security issues that aren't obvious.
  19 Read L<Unicode Security Considerations|http://www.unicode.org/reports/tr36>.
  20
  21 =over 4
  22
  23 =item Safest if you "use feature 'unicode_strings'"
  24
  25 In order to preserve backward compatibility, Perl does not turn
  26 on full internal Unicode support unless the pragma
  27 C<use feature 'unicode_strings'> is specified.  (This is automatically
  28 selected if you use C<use 5.012> or higher.)  Failure to do this can
  29 trigger unexpected surprises.  See L</The "Unicode Bug"> below.
  30
  31 This pragma doesn't affect I/O, and there are still several places
  32 where Unicode isn't fully supported, such as in filenames.
  33
  34 =item Input and Output Layers
  35
  36 Perl knows when a filehandle uses Perl's internal Unicode encodings
  37 (UTF-8, or UTF-EBCDIC if in EBCDIC) if the filehandle is opened with
  38 the ":encoding(utf8)" layer.  Other encodings can be converted to Perl's
  39 encoding on input or from Perl's encoding on output by use of the
  40 ":encoding(...)"  layer.  See L<open>.
  41
  42 To indicate that Perl source itself is in UTF-8, use C<use utf8;>.
  43
  44 =item C<use utf8> still needed to enable UTF-8/UTF-EBCDIC in scripts
  45
  46 As a compatibility measure, the C<use utf8> pragma must be explicitly
  47 included to enable recognition of UTF-8 in the Perl scripts themselves
  48 (in string or regular expression literals, or in identifier names) on
  49 ASCII-based machines or to recognize UTF-EBCDIC on EBCDIC-based
  50 machines.  B<These are the only times when an explicit C<use utf8>
  51 is needed.>  See L<utf8>.
  52
  53 =item BOM-marked scripts and UTF-16 scripts autodetected
  54
  55 If a Perl script begins marked with the Unicode BOM (UTF-16LE, UTF16-BE,
  56 or UTF-8), or if the script looks like non-BOM-marked UTF-16 of either
  57 endianness, Perl will correctly read in the script as Unicode.
  58 (BOMless UTF-8 cannot be effectively recognized or differentiated from
  59 ISO 8859-1 or other eight-bit encodings.)
  60
  61 =item C<use encoding> needed to upgrade non-Latin-1 byte strings
  62
  63 By default, there is a fundamental asymmetry in Perl's Unicode model:
  64 implicit upgrading from byte strings to Unicode strings assumes that
  65 they were encoded in I<ISO 8859-1 (Latin-1)>, but Unicode strings are
  66 downgraded with UTF-8 encoding.  This happens because the first 256
  67 codepoints in Unicode happens to agree with Latin-1.
  68
  69 See L</"Byte and Character Semantics"> for more details.
  70
  71 =back
  72
  73 =head2 Byte and Character Semantics
  74
  75 Beginning with version 5.6, Perl uses logically-wide characters to
  76 represent strings internally.
  77
  78 Starting in Perl 5.14, Perl-level operations work with
  79 characters rather than bytes within the scope of a
  80 C<L<use feature 'unicode_strings'|feature>> (or equivalently
  81 C<use 5.012> or higher).  (This is not true if bytes have been
  82 explicitly requested by C<L<use bytes|bytes>>, nor necessarily true
  83 for interactions with the platform's operating system.)
  84
  85 For earlier Perls, and when C<unicode_strings> is not in effect, Perl
  86 provides a fairly safe environment that can handle both types of
  87 semantics in programs.  For operations where Perl can unambiguously
  88 decide that the input data are characters, Perl switches to character
  89 semantics.  For operations where this determination cannot be made
  90 without additional information from the user, Perl decides in favor of
  91 compatibility and chooses to use byte semantics.
  92
  93 When C<use locale> (but not C<use locale ':not_characters'>) is in
  94 effect, Perl uses the semantics associated with the current locale.
  95 (C<use locale> overrides C<use feature 'unicode_strings'> in the same scope;
  96 while C<use locale ':not_characters'> effectively also selects
  97 C<use feature 'unicode_strings'> in its scope; see L<perllocale>.)
  98 Otherwise, Perl uses the platform's native
  99 byte semantics for characters whose code points are less than 256, and
 100 Unicode semantics for those greater than 255.  On EBCDIC platforms, this
 101 is almost seamless, as the EBCDIC code pages that Perl handles are
 102 equivalent to Unicode's first 256 code points.  (The exception is that
 103 EBCDIC regular expression case-insensitive matching rules are not as
 104 as robust as Unicode's.)   But on ASCII platforms, Perl uses US-ASCII
 105 (or Basic Latin in Unicode terminology) byte semantics, meaning that characters
 106 whose ordinal numbers are in the range 128 - 255 are undefined except for their
 107 ordinal numbers.  This means that none have case (upper and lower), nor are any
 108 a member of character classes, like C<[:alpha:]> or C<\w>.  (But all do belong
 109 to the C<\W> class or the Perl regular expression extension C<[:^alpha:]>.)
 110
 111 This behavior preserves compatibility with earlier versions of Perl,
 112 which allowed byte semantics in Perl operations only if
 113 none of the program's inputs were marked as being a source of Unicode
 114 character data.  Such data may come from filehandles, from calls to
 115 external programs, from information provided by the system (such as %ENV),
 116 or from literals and constants in the source text.
 117
 118 The C<utf8> pragma is primarily a compatibility device that enables
 119 recognition of UTF-(8|EBCDIC) in literals encountered by the parser.
 120 Note that this pragma is only required while Perl defaults to byte
 121 semantics; when character semantics become the default, this pragma
 122 may become a no-op.  See L<utf8>.
 123
 124 If strings operating under byte semantics and strings with Unicode
 125 character data are concatenated, the new string will have
 126 character semantics.  This can cause surprises: See L</BUGS>, below.
 127 You can choose to be warned when this happens.  See L<encoding::warnings>.
 128
 129 Under character semantics, many operations that formerly operated on
 130 bytes now operate on characters. A character in Perl is
 131 logically just a number ranging from 0 to 2**31 or so. Larger
 132 characters may encode into longer sequences of bytes internally, but
 133 this internal detail is mostly hidden for Perl code.
 134 See L<perluniintro> for more.
 135
 136 =head2 Effects of Character Semantics
 137
 138 Character semantics have the following effects:
 139
 140 =over 4
 141
 142 =item *
 143
 144 Strings--including hash keys--and regular expression patterns may
 145 contain characters that have an ordinal value larger than 255.
 146
 147 If you use a Unicode editor to edit your program, Unicode characters may
 148 occur directly within the literal strings in UTF-8 encoding, or UTF-16.
 149 (The former requires a BOM or C<use utf8>, the latter requires a BOM.)
 150
 151 Unicode characters can also be added to a string by using the C<\N{U+...}>
 152 notation.  The Unicode code for the desired character, in hexadecimal,
 153 should be placed in the braces, after the C<U>. For instance, a smiley face is
 154 C<\N{U+263A}>.
 155
 156 Alternatively, you can use the C<\x{...}> notation for characters 0x100 and
 157 above.  For characters below 0x100 you may get byte semantics instead of
 158 character semantics;  see L</The "Unicode Bug">.  On EBCDIC machines there is
 159 the additional problem that the value for such characters gives the EBCDIC
 160 character rather than the Unicode one, thus it is more portable to use
 161 C<\N{U+...}> instead.
 162
 163 Additionally, you can use the C<\N{...}> notation and put the official
 164 Unicode character name within the braces, such as
 165 C<\N{WHITE SMILING FACE}>.  This automatically loads the L<charnames>
 166 module with the C<:full> and C<:short> options.  If you prefer different
 167 options for this module, you can instead, before the C<\N{...}>,
 168 explicitly load it with your desired options; for example,
 169
 170    use charnames ':loose';
 171
 172 =item *
 173
 174 If an appropriate L<encoding> is specified, identifiers within the
 175 Perl script may contain Unicode alphanumeric characters, including
 176 ideographs.  Perl does not currently attempt to canonicalize variable
 177 names.
 178
 179 =item *
 180
 181 Regular expressions match characters instead of bytes.  "." matches
 182 a character instead of a byte.
 183
 184 =item *
 185
 186 Bracketed character classes in regular expressions match characters instead of
 187 bytes and match against the character properties specified in the
 188 Unicode properties database.  C<\w> can be used to match a Japanese
 189 ideograph, for instance.
 190
 191 =item *
 192
 193 Named Unicode properties, scripts, and block ranges may be used (like bracketed
 194 character classes) by using the C<\p{}> "matches property" construct and
 195 the C<\P{}> negation, "doesn't match property".
 196 See L</"Unicode Character Properties"> for more details.
 197
 198 You can define your own character properties and use them
 199 in the regular expression with the C<\p{}> or C<\P{}> construct.
 200 See L</"User-Defined Character Properties"> for more details.
 201
 202 =item *
 203
 204 The special pattern C<\X> matches a logical character, an "extended grapheme
 205 cluster" in Standardese.  In Unicode what appears to the user to be a single
 206 character, for example an accented C<G>, may in fact be composed of a sequence
 207 of characters, in this case a C<G> followed by an accent character.  C<\X>
 208 will match the entire sequence.
 209
 210 =item *
 211
 212 The C<tr///> operator translates characters instead of bytes.  Note
 213 that the C<tr///CU> functionality has been removed.  For similar
 214 functionality see pack('U0', ...) and pack('C0', ...).
 215
 216 =item *
 217
 218 Case translation operators use the Unicode case translation tables
 219 when character input is provided.  Note that C<uc()>, or C<\U> in
 220 interpolated strings, translates to uppercase, while C<ucfirst>,
 221 or C<\u> in interpolated strings, translates to titlecase in languages
 222 that make the distinction (which is equivalent to uppercase in languages
 223 without the distinction).
 224
 225 =item *
 226
 227 Most operators that deal with positions or lengths in a string will
 228 automatically switch to using character positions, including
 229 C<chop()>, C<chomp()>, C<substr()>, C<pos()>, C<index()>, C<rindex()>,
 230 C<sprintf()>, C<write()>, and C<length()>.  An operator that
 231 specifically does not switch is C<vec()>.  Operators that really don't
 232 care include operators that treat strings as a bucket of bits such as
 233 C<sort()>, and operators dealing with filenames.
 234
 235 =item *
 236
 237 The C<pack()>/C<unpack()> letter C<C> does I<not> change, since it is often
 238 used for byte-oriented formats.  Again, think C<char> in the C language.
 239
 240 There is a new C<U> specifier that converts between Unicode characters
 241 and code points. There is also a C<W> specifier that is the equivalent of
 242 C<chr>/C<ord> and properly handles character values even if they are above 255.
 243
 244 =item *
 245
 246 The C<chr()> and C<ord()> functions work on characters, similar to
 247 C<pack("W")> and C<unpack("W")>, I<not> C<pack("C")> and
 248 C<unpack("C")>.  C<pack("C")> and C<unpack("C")> are methods for
 249 emulating byte-oriented C<chr()> and C<ord()> on Unicode strings.
 250 While these methods reveal the internal encoding of Unicode strings,
 251 that is not something one normally needs to care about at all.
 252
 253 =item *
 254
 255 The bit string operators, C<& | ^ ~>, can operate on character data.
 256 However, for backward compatibility, such as when using bit string
 257 operations when characters are all less than 256 in ordinal value, one
 258 should not use C<~> (the bit complement) with characters of both
 259 values less than 256 and values greater than 256.  Most importantly,
 260 DeMorgan's laws (C<~($x|$y) eq ~$x&~$y> and C<~($x&$y) eq ~$x|~$y>)
 261 will not hold.  The reason for this mathematical I<faux pas> is that
 262 the complement cannot return B<both> the 8-bit (byte-wide) bit
 263 complement B<and> the full character-wide bit complement.
 264
 265 =item *
 266
 267 There is a CPAN module, L<Unicode::Casing>, which allows you to define
 268 your own mappings to be used in C<lc()>, C<lcfirst()>, C<uc()>,
 269 C<ucfirst()>, and C<fc> (or their double-quoted string inlined
 270 versions such as C<\U>).
 271 (Prior to Perl 5.16, this functionality was partially provided
 272 in the Perl core, but suffered from a number of insurmountable
 273 drawbacks, so the CPAN module was written instead.)
 274
 275 =back
 276
 277 =over 4
 278
 279 =item *
 280
 281 And finally, C<scalar reverse()> reverses by character rather than by byte.
 282
 283 =back
 284
 285 =head2 Unicode Character Properties
 286
 287 (The only time that Perl considers a sequence of individual code
 288 points as a single logical character is in the C<\X> construct, already
 289 mentioned above.   Therefore "character" in this discussion means a single
 290 Unicode code point.)
 291
 292 Very nearly all Unicode character properties are accessible through
 293 regular expressions by using the C<\p{}> "matches property" construct
 294 and the C<\P{}> "doesn't match property" for its negation.
 295
 296 For instance, C<\p{Uppercase}> matches any single character with the Unicode
 297 "Uppercase" property, while C<\p{L}> matches any character with a
 298 General_Category of "L" (letter) property.  Brackets are not
 299 required for single letter property names, so C<\p{L}> is equivalent to C<\pL>.
 300
 301 More formally, C<\p{Uppercase}> matches any single character whose Unicode
 302 Uppercase property value is True, and C<\P{Uppercase}> matches any character
 303 whose Uppercase property value is False, and they could have been written as
 304 C<\p{Uppercase=True}> and C<\p{Uppercase=False}>, respectively.
 305
 306 This formality is needed when properties are not binary; that is, if they can
 307 take on more values than just True and False.  For example, the Bidi_Class (see
 308 L</"Bidirectional Character Types"> below), can take on several different
 309 values, such as Left, Right, Whitespace, and others.  To match these, one needs
 310 to specify both the property name (Bidi_Class), AND the value being
 311 matched against
 312 (Left, Right, etc.).  This is done, as in the examples above, by having the
 313 two components separated by an equal sign (or interchangeably, a colon), like
 314 C<\p{Bidi_Class: Left}>.
 315
 316 All Unicode-defined character properties may be written in these compound forms
 317 of C<\p{property=value}> or C<\p{property:value}>, but Perl provides some
 318 additional properties that are written only in the single form, as well as
 319 single-form short-cuts for all binary properties and certain others described
 320 below, in which you may omit the property name and the equals or colon
 321 separator.
 322
 323 Most Unicode character properties have at least two synonyms (or aliases if you
 324 prefer): a short one that is easier to type and a longer one that is more
 325 descriptive and hence easier to understand.  Thus the "L" and "Letter" properties
 326 above are equivalent and can be used interchangeably.  Likewise,
 327 "Upper" is a synonym for "Uppercase", and we could have written
 328 C<\p{Uppercase}> equivalently as C<\p{Upper}>.  Also, there are typically
 329 various synonyms for the values the property can be.   For binary properties,
 330 "True" has 3 synonyms: "T", "Yes", and "Y"; and "False has correspondingly "F",
 331 "No", and "N".  But be careful.  A short form of a value for one property may
 332 not mean the same thing as the same short form for another.  Thus, for the
 333 General_Category property, "L" means "Letter", but for the Bidi_Class property,
 334 "L" means "Left".  A complete list of properties and synonyms is in
 335 L<perluniprops>.
 336
 337 Upper/lower case differences in property names and values are irrelevant;
 338 thus C<\p{Upper}> means the same thing as C<\p{upper}> or even C<\p{UpPeR}>.
 339 Similarly, you can add or subtract underscores anywhere in the middle of a
 340 word, so that these are also equivalent to C<\p{U_p_p_e_r}>.  And white space
 341 is irrelevant adjacent to non-word characters, such as the braces and the equals
 342 or colon separators, so C<\p{   Upper  }> and C<\p{ Upper_case : Y }> are
 343 equivalent to these as well.  In fact, white space and even
 344 hyphens can usually be added or deleted anywhere.  So even C<\p{ Up-per case = Yes}> is
 345 equivalent.  All this is called "loose-matching" by Unicode.  The few places
 346 where stricter matching is used is in the middle of numbers, and in the Perl
 347 extension properties that begin or end with an underscore.  Stricter matching
 348 cares about white space (except adjacent to non-word characters),
 349 hyphens, and non-interior underscores.
 350
 351 You can also use negation in both C<\p{}> and C<\P{}> by introducing a caret
 352 (^) between the first brace and the property name: C<\p{^Tamil}> is
 353 equal to C<\P{Tamil}>.
 354
 355 Almost all properties are immune to case-insensitive matching.  That is,
 356 adding a C</i> regular expression modifier does not change what they
 357 match.  There are two sets that are affected.
 358 The first set is
 359 C<Uppercase_Letter>,
 360 C<Lowercase_Letter>,
 361 and C<Titlecase_Letter>,
 362 all of which match C<Cased_Letter> under C</i> matching.
 363 And the second set is
 364 C<Uppercase>,
 365 C<Lowercase>,
 366 and C<Titlecase>,
 367 all of which match C<Cased> under C</i> matching.
 368 This set also includes its subsets C<PosixUpper> and C<PosixLower> both
 369 of which under C</i> matching match C<PosixAlpha>.
 370 (The difference between these sets is that some things, such as Roman
 371 numerals, come in both upper and lower case so they are C<Cased>, but aren't considered
 372 letters, so they aren't C<Cased_Letter>s.)
 373
 374 The result is undefined if you try to match a non-Unicode code point
 375 (that is, one above 0x10FFFF) against a Unicode property.  Currently, a
 376 warning is raised, and the match will fail.  In some cases, this is
 377 counterintuitive, as both these fail:
 378
 379  chr(0x110000) =~ \p{ASCII_Hex_Digit=True}      # Fails.
 380  chr(0x110000) =~ \p{ASCII_Hex_Digit=False}     # Fails!
 381
 382 =head3 B<General_Category>
 383
 384 Every Unicode character is assigned a general category, which is the "most
 385 usual categorization of a character" (from
 386 L<http://www.unicode.org/reports/tr44>).
 387
 388 The compound way of writing these is like C<\p{General_Category=Number}>
 389 (short, C<\p{gc:n}>).  But Perl furnishes shortcuts in which everything up
 390 through the equal or colon separator is omitted.  So you can instead just write
 391 C<\pN>.
 392
 393 Here are the short and long forms of the General Category properties:
 394
 395     Short       Long
 396
 397     L           Letter
 398     LC, L&      Cased_Letter (that is: [\p{Ll}\p{Lu}\p{Lt}])
 399     Lu          Uppercase_Letter
 400     Ll          Lowercase_Letter
 401     Lt          Titlecase_Letter
 402     Lm          Modifier_Letter
 403     Lo          Other_Letter
 404
 405     M           Mark
 406     Mn          Nonspacing_Mark
 407     Mc          Spacing_Mark
 408     Me          Enclosing_Mark
 409
 410     N           Number
 411     Nd          Decimal_Number (also Digit)
 412     Nl          Letter_Number
 413     No          Other_Number
 414
 415     P           Punctuation (also Punct)
 416     Pc          Connector_Punctuation
 417     Pd          Dash_Punctuation
 418     Ps          Open_Punctuation
 419     Pe          Close_Punctuation
 420     Pi          Initial_Punctuation
 421                 (may behave like Ps or Pe depending on usage)
 422     Pf          Final_Punctuation
 423                 (may behave like Ps or Pe depending on usage)
 424     Po          Other_Punctuation
 425
 426     S           Symbol
 427     Sm          Math_Symbol
 428     Sc          Currency_Symbol
 429     Sk          Modifier_Symbol
 430     So          Other_Symbol
 431
 432     Z           Separator
 433     Zs          Space_Separator
 434     Zl          Line_Separator
 435     Zp          Paragraph_Separator
 436
 437     C           Other
 438     Cc          Control (also Cntrl)
 439     Cf          Format
 440     Cs          Surrogate
 441     Co          Private_Use
 442     Cn          Unassigned
 443
 444 Single-letter properties match all characters in any of the
 445 two-letter sub-properties starting with the same letter.
 446 C<LC> and C<L&> are special: both are aliases for the set consisting of everything matched by C<Ll>, C<Lu>, and C<Lt>.
 447
 448 =head3 B<Bidirectional Character Types>
 449
 450 Because scripts differ in their directionality (Hebrew and Arabic are
 451 written right to left, for example) Unicode supplies these properties in
 452 the Bidi_Class class:
 453
 454     Property    Meaning
 455
 456     L           Left-to-Right
 457     LRE         Left-to-Right Embedding
 458     LRO         Left-to-Right Override
 459     R           Right-to-Left
 460     AL          Arabic Letter
 461     RLE         Right-to-Left Embedding
 462     RLO         Right-to-Left Override
 463     PDF         Pop Directional Format
 464     EN          European Number
 465     ES          European Separator
 466     ET          European Terminator
 467     AN          Arabic Number
 468     CS          Common Separator
 469     NSM         Non-Spacing Mark
 470     BN          Boundary Neutral
 471     B           Paragraph Separator
 472     S           Segment Separator
 473     WS          Whitespace
 474     ON          Other Neutrals
 475
 476 This property is always written in the compound form.
 477 For example, C<\p{Bidi_Class:R}> matches characters that are normally
 478 written right to left.
 479
 480 =head3 B<Scripts>
 481
 482 The world's languages are written in many different scripts.  This sentence
 483 (unless you're reading it in translation) is written in Latin, while Russian is
 484 written in Cyrillic, and Greek is written in, well, Greek; Japanese mainly in
 485 Hiragana or Katakana.  There are many more.
 486
 487 The Unicode Script and Script_Extensions properties give what script a
 488 given character is in.  Either property can be specified with the
 489 compound form like
 490 C<\p{Script=Hebrew}> (short: C<\p{sc=hebr}>), or
 491 C<\p{Script_Extensions=Javanese}> (short: C<\p{scx=java}>).
 492 In addition, Perl furnishes shortcuts for all
 493 C<Script> property names.  You can omit everything up through the equals
 494 (or colon), and simply write C<\p{Latin}> or C<\P{Cyrillic}>.
 495 (This is not true for C<Script_Extensions>, which is required to be
 496 written in the compound form.)
 497
 498 The difference between these two properties involves characters that are
 499 used in multiple scripts.  For example the digits '0' through '9' are
 500 used in many parts of the world.  These are placed in a script named
 501 C<Common>.  Other characters are used in just a few scripts.  For
 502 example, the "KATAKANA-HIRAGANA DOUBLE HYPHEN" is used in both Japanese
 503 scripts, Katakana and Hiragana, but nowhere else.  The C<Script>
 504 property places all characters that are used in multiple scripts in the
 505 C<Common> script, while the C<Script_Extensions> property places those
 506 that are used in only a few scripts into each of those scripts; while
 507 still using C<Common> for those used in many scripts.  Thus both these
 508 match:
 509
 510  "0" =~ /\p{sc=Common}/     # Matches
 511  "0" =~ /\p{scx=Common}/    # Matches
 512
 513 and only the first of these match:
 514
 515  "\N{KATAKANA-HIRAGANA DOUBLE HYPHEN}" =~ /\p{sc=Common}  # Matches
 516  "\N{KATAKANA-HIRAGANA DOUBLE HYPHEN}" =~ /\p{scx=Common} # No match
 517
 518 And only the last two of these match:
 519
 520  "\N{KATAKANA-HIRAGANA DOUBLE HYPHEN}" =~ /\p{sc=Hiragana}  # No match
 521  "\N{KATAKANA-HIRAGANA DOUBLE HYPHEN}" =~ /\p{sc=Katakana}  # No match
 522  "\N{KATAKANA-HIRAGANA DOUBLE HYPHEN}" =~ /\p{scx=Hiragana} # Matches
 523  "\N{KATAKANA-HIRAGANA DOUBLE HYPHEN}" =~ /\p{scx=Katakana} # Matches
 524
 525 C<Script_Extensions> is thus an improved C<Script>, in which there are
 526 fewer characters in the C<Common> script, and correspondingly more in
 527 other scripts.  It is new in Unicode version 6.0, and its data are likely
 528 to change significantly in later releases, as things get sorted out.
 529
 530 (Actually, besides C<Common>, the C<Inherited> script, contains
 531 characters that are used in multiple scripts.  These are modifier
 532 characters which modify other characters, and inherit the script value
 533 of the controlling character.  Some of these are used in many scripts,
 534 and so go into C<Inherited> in both C<Script> and C<Script_Extensions>.
 535 Others are used in just a few scripts, so are in C<Inherited> in
 536 C<Script>, but not in C<Script_Extensions>.)
 537
 538 It is worth stressing that there are several different sets of digits in
 539 Unicode that are equivalent to 0-9 and are matchable by C<\d> in a
 540 regular expression.  If they are used in a single language only, they
 541 are in that language's C<Script> and C<Script_Extension>.  If they are
 542 used in more than one script, they will be in C<sc=Common>, but only
 543 if they are used in many scripts should they be in C<scx=Common>.
 544
 545 A complete list of scripts and their shortcuts is in L<perluniprops>.
 546
 547 =head3 B<Use of "Is" Prefix>
 548
 549 For backward compatibility (with Perl 5.6), all properties mentioned
 550 so far may have C<Is> or C<Is_> prepended to their name, so C<\P{Is_Lu}>, for
 551 example, is equal to C<\P{Lu}>, and C<\p{IsScript:Arabic}> is equal to
 552 C<\p{Arabic}>.
 553
 554 =head3 B<Blocks>
 555
 556 In addition to B<scripts>, Unicode also defines B<blocks> of
 557 characters.  The difference between scripts and blocks is that the
 558 concept of scripts is closer to natural languages, while the concept
 559 of blocks is more of an artificial grouping based on groups of Unicode
 560 characters with consecutive ordinal values. For example, the "Basic Latin"
 561 block is all characters whose ordinals are between 0 and 127, inclusive; in
 562 other words, the ASCII characters.  The "Latin" script contains some letters
 563 from this as well as several other blocks, like "Latin-1 Supplement",
 564 "Latin Extended-A", etc., but it does not contain all the characters from
 565 those blocks. It does not, for example, contain the digits 0-9, because
 566 those digits are shared across many scripts, and hence are in the
 567 C<Common> script.
 568
 569 For more about scripts versus blocks, see UAX#24 "Unicode Script Property":
 570 L<http://www.unicode.org/reports/tr24>
 571
 572 The C<Script> or C<Script_Extensions> properties are likely to be the
 573 ones you want to use when processing
 574 natural language; the Block property may occasionally be useful in working
 575 with the nuts and bolts of Unicode.
 576
 577 Block names are matched in the compound form, like C<\p{Block: Arrows}> or
 578 C<\p{Blk=Hebrew}>.  Unlike most other properties, only a few block names have a
 579 Unicode-defined short name.  But Perl does provide a (slight) shortcut:  You
 580 can say, for example C<\p{In_Arrows}> or C<\p{In_Hebrew}>.  For backwards
 581 compatibility, the C<In> prefix may be omitted if there is no naming conflict
 582 with a script or any other property, and you can even use an C<Is> prefix
 583 instead in those cases.  But it is not a good idea to do this, for a couple
 584 reasons:
 585
 586 =over 4
 587
 588 =item 1
 589
 590 It is confusing.  There are many naming conflicts, and you may forget some.
 591 For example, C<\p{Hebrew}> means the I<script> Hebrew, and NOT the I<block>
 592 Hebrew.  But would you remember that 6 months from now?
 593
 594 =item 2
 595
 596 It is unstable.  A new version of Unicode may pre-empt the current meaning by
 597 creating a property with the same name.  There was a time in very early Unicode
 598 releases when C<\p{Hebrew}> would have matched the I<block> Hebrew; now it
 599 doesn't.
 600
 601 =back
 602
 603 Some people prefer to always use C<\p{Block: foo}> and C<\p{Script: bar}>
 604 instead of the shortcuts, whether for clarity, because they can't remember the
 605 difference between 'In' and 'Is' anyway, or they aren't confident that those who
 606 eventually will read their code will know that difference.
 607
 608 A complete list of blocks and their shortcuts is in L<perluniprops>.
 609
 610 =head3 B<Other Properties>
 611
 612 There are many more properties than the very basic ones described here.
 613 A complete list is in L<perluniprops>.
 614
 615 Unicode defines all its properties in the compound form, so all single-form
 616 properties are Perl extensions.  Most of these are just synonyms for the
 617 Unicode ones, but some are genuine extensions, including several that are in
 618 the compound form.  And quite a few of these are actually recommended by Unicode
 619 (in L<http://www.unicode.org/reports/tr18>).
 620
 621 This section gives some details on all extensions that aren't just
 622 synonyms for compound-form Unicode properties
 623 (for those properties, you'll have to refer to the
 624 L<Unicode Standard|http://www.unicode.org/reports/tr44>.
 625
 626 =over
 627
 628 =item B<C<\p{All}>>
 629
 630 This matches any of the 1_114_112 Unicode code points.  It is a synonym for
 631 C<\p{Any}>.
 632
 633 =item B<C<\p{Alnum}>>
 634
 635 This matches any C<\p{Alphabetic}> or C<\p{Decimal_Number}> character.
 636
 637 =item B<C<\p{Any}>>
 638
 639 This matches any of the 1_114_112 Unicode code points.  It is a synonym for
 640 C<\p{All}>.
 641
 642 =item B<C<\p{ASCII}>>
 643
 644 This matches any of the 128 characters in the US-ASCII character set,
 645 which is a subset of Unicode.
 646
 647 =item B<C<\p{Assigned}>>
 648
 649 This matches any assigned code point; that is, any code point whose general
 650 category is not Unassigned (or equivalently, not Cn).
 651
 652 =item B<C<\p{Blank}>>
 653
 654 This is the same as C<\h> and C<\p{HorizSpace}>:  A character that changes the
 655 spacing horizontally.
 656
 657 =item B<C<\p{Decomposition_Type: Non_Canonical}>>    (Short: C<\p{Dt=NonCanon}>)
 658
 659 Matches a character that has a non-canonical decomposition.
 660
 661 To understand the use of this rarely used property=value combination, it is
 662 necessary to know some basics about decomposition.
 663 Consider a character, say H.  It could appear with various marks around it,
 664 such as an acute accent, or a circumflex, or various hooks, circles, arrows,
 665 I<etc.>, above, below, to one side or the other, etc.  There are many
 666 possibilities among the world's languages.  The number of combinations is
 667 astronomical, and if there were a character for each combination, it would
 668 soon exhaust Unicode's more than a million possible characters.  So Unicode
 669 took a different approach: there is a character for the base H, and a
 670 character for each of the possible marks, and these can be variously combined
 671 to get a final logical character.  So a logical character--what appears to be a
 672 single character--can be a sequence of more than one individual characters.
 673 This is called an "extended grapheme cluster";  Perl furnishes the C<\X>
 674 regular expression construct to match such sequences.
 675
 676 But Unicode's intent is to unify the existing character set standards and
 677 practices, and several pre-existing standards have single characters that
 678 mean the same thing as some of these combinations.  An example is ISO-8859-1,
 679 which has quite a few of these in the Latin-1 range, an example being "LATIN
 680 CAPITAL LETTER E WITH ACUTE".  Because this character was in this pre-existing
 681 standard, Unicode added it to its repertoire.  But this character is considered
 682 by Unicode to be equivalent to the sequence consisting of the character
 683 "LATIN CAPITAL LETTER E" followed by the character "COMBINING ACUTE ACCENT".
 684
 685 "LATIN CAPITAL LETTER E WITH ACUTE" is called a "pre-composed" character, and
 686 its equivalence with the sequence is called canonical equivalence.  All
 687 pre-composed characters are said to have a decomposition (into the equivalent
 688 sequence), and the decomposition type is also called canonical.
 689
 690 However, many more characters have a different type of decomposition, a
 691 "compatible" or "non-canonical" decomposition.  The sequences that form these
 692 decompositions are not considered canonically equivalent to the pre-composed
 693 character.  An example, again in the Latin-1 range, is the "SUPERSCRIPT ONE".
 694 It is somewhat like a regular digit 1, but not exactly; its decomposition
 695 into the digit 1 is called a "compatible" decomposition, specifically a
 696 "super" decomposition.  There are several such compatibility
 697 decompositions (see L<http://www.unicode.org/reports/tr44>), including one
 698 called "compat", which means some miscellaneous type of decomposition
 699 that doesn't fit into the decomposition categories that Unicode has chosen.
 700
 701 Note that most Unicode characters don't have a decomposition, so their
 702 decomposition type is "None".
 703
 704 For your convenience, Perl has added the C<Non_Canonical> decomposition
 705 type to mean any of the several compatibility decompositions.
 706
 707 =item B<C<\p{Graph}>>
 708
 709 Matches any character that is graphic.  Theoretically, this means a character
 710 that on a printer would cause ink to be used.
 711
 712 =item B<C<\p{HorizSpace}>>
 713
 714 This is the same as C<\h> and C<\p{Blank}>:  a character that changes the
 715 spacing horizontally.
 716
 717 =item B<C<\p{In=*}>>
 718
 719 This is a synonym for C<\p{Present_In=*}>
 720
 721 =item B<C<\p{PerlSpace}>>
 722
 723 This is the same as C<\s>, restricted to ASCII, namely C<S<[ \f\n\r\t]>>.
 724
 725 Mnemonic: Perl's (original) space
 726
 727 =item B<C<\p{PerlWord}>>
 728
 729 This is the same as C<\w>, restricted to ASCII, namely C<[A-Za-z0-9_]>
 730
 731 Mnemonic: Perl's (original) word.
 732
 733 =item B<C<\p{Posix...}>>
 734
 735 There are several of these, which are equivalents using the C<\p>
 736 notation for Posix classes and are described in
 737 L<perlrecharclass/POSIX Character Classes>.
 738
 739 =item B<C<\p{Present_In: *}>>    (Short: C<\p{In=*}>)
 740
 741 This property is used when you need to know in what Unicode version(s) a
 742 character is.
 743
 744 The "*" above stands for some two digit Unicode version number, such as
 745 C<1.1> or C<4.0>; or the "*" can also be C<Unassigned>.  This property will
 746 match the code points whose final disposition has been settled as of the
 747 Unicode release given by the version number; C<\p{Present_In: Unassigned}>
 748 will match those code points whose meaning has yet to be assigned.
 749
 750 For example, C<U+0041> "LATIN CAPITAL LETTER A" was present in the very first
 751 Unicode release available, which is C<1.1>, so this property is true for all
 752 valid "*" versions.  On the other hand, C<U+1EFF> was not assigned until version
 753 5.1 when it became "LATIN SMALL LETTER Y WITH LOOP", so the only "*" that
 754 would match it are 5.1, 5.2, and later.
 755
 756 Unicode furnishes the C<Age> property from which this is derived.  The problem
 757 with Age is that a strict interpretation of it (which Perl takes) has it
 758 matching the precise release a code point's meaning is introduced in.  Thus
 759 C<U+0041> would match only 1.1; and C<U+1EFF> only 5.1.  This is not usually what
 760 you want.
 761
 762 Some non-Perl implementations of the Age property may change its meaning to be
 763 the same as the Perl Present_In property; just be aware of that.
 764
 765 Another confusion with both these properties is that the definition is not
 766 that the code point has been I<assigned>, but that the meaning of the code point
 767 has been I<determined>.  This is because 66 code points will always be
 768 unassigned, and so the Age for them is the Unicode version in which the decision
 769 to make them so was made.  For example, C<U+FDD0> is to be permanently
 770 unassigned to a character, and the decision to do that was made in version 3.1,
 771 so C<\p{Age=3.1}> matches this character, as also does C<\p{Present_In: 3.1}> and up.
 772
 773 =item B<C<\p{Print}>>
 774
 775 This matches any character that is graphical or blank, except controls.
 776
 777 =item B<C<\p{SpacePerl}>>
 778
 779 This is the same as C<\s>, including beyond ASCII.
 780
 781 Mnemonic: Space, as modified by Perl.  (It doesn't include the vertical tab
 782 which both the Posix standard and Unicode consider white space.)
 783
 784 =item B<C<\p{Title}>> and  B<C<\p{Titlecase}>>
 785
 786 Under case-sensitive matching, these both match the same code points as
 787 C<\p{General Category=Titlecase_Letter}> (C<\p{gc=lt}>).  The difference
 788 is that under C</i> caseless matching, these match the same as
 789 C<\p{Cased}>, whereas C<\p{gc=lt}> matches C<\p{Cased_Letter>).
 790
 791 =item B<C<\p{VertSpace}>>
 792
 793 This is the same as C<\v>:  A character that changes the spacing vertically.
 794
 795 =item B<C<\p{Word}>>
 796
 797 This is the same as C<\w>, including over 100_000 characters beyond ASCII.
 798
 799 =item B<C<\p{XPosix...}>>
 800
 801 There are several of these, which are the standard Posix classes
 802 extended to the full Unicode range.  They are described in
 803 L<perlrecharclass/POSIX Character Classes>.
 804
 805 =back
 806
 807 =head2 User-Defined Character Properties
 808
 809 You can define your own binary character properties by defining subroutines
 810 whose names begin with "In" or "Is".  The subroutines can be defined in any
 811 package.  The user-defined properties can be used in the regular expression
 812 C<\p> and C<\P> constructs; if you are using a user-defined property from a
 813 package other than the one you are in, you must specify its package in the
 814 C<\p> or C<\P> construct.
 815
 816     # assuming property Is_Foreign defined in Lang::
 817     package main;  # property package name required
 818     if ($txt =~ /\p{Lang::IsForeign}+/) { ... }
 819
 820     package Lang;  # property package name not required
 821     if ($txt =~ /\p{IsForeign}+/) { ... }
 822
 823
 824 Note that the effect is compile-time and immutable once defined.
 825 However, the subroutines are passed a single parameter, which is 0 if
 826 case-sensitive matching is in effect and non-zero if caseless matching
 827 is in effect.  The subroutine may return different values depending on
 828 the value of the flag, and one set of values will immutably be in effect
 829 for all case-sensitive matches, and the other set for all case-insensitive
 830 matches.
 831
 832 Note that if the regular expression is tainted, then Perl will die rather
 833 than calling the subroutine, where the name of the subroutine is
 834 determined by the tainted data.
 835
 836 The subroutines must return a specially-formatted string, with one
 837 or more newline-separated lines.  Each line must be one of the following:
 838
 839 =over 4
 840
 841 =item *
 842
 843 A single hexadecimal number denoting a Unicode code point to include.
 844
 845 =item *
 846
 847 Two hexadecimal numbers separated by horizontal whitespace (space or
 848 tabular characters) denoting a range of Unicode code points to include.
 849
 850 =item *
 851
 852 Something to include, prefixed by "+": a built-in character
 853 property (prefixed by "utf8::") or a fully qualified (including package
 854 name) user-defined character property,
 855 to represent all the characters in that property; two hexadecimal code
 856 points for a range; or a single hexadecimal code point.
 857
 858 =item *
 859
 860 Something to exclude, prefixed by "-": an existing character
 861 property (prefixed by "utf8::") or a fully qualified (including package
 862 name) user-defined character property,
 863 to represent all the characters in that property; two hexadecimal code
 864 points for a range; or a single hexadecimal code point.
 865
 866 =item *
 867
 868 Something to negate, prefixed "!": an existing character
 869 property (prefixed by "utf8::") or a fully qualified (including package
 870 name) user-defined character property,
 871 to represent all the characters in that property; two hexadecimal code
 872 points for a range; or a single hexadecimal code point.
 873
 874 =item *
 875
 876 Something to intersect with, prefixed by "&": an existing character
 877 property (prefixed by "utf8::") or a fully qualified (including package
 878 name) user-defined character property,
 879 for all the characters except the characters in the property; two
 880 hexadecimal code points for a range; or a single hexadecimal code point.
 881
 882 =back
 883
 884 For example, to define a property that covers both the Japanese
 885 syllabaries (hiragana and katakana), you can define
 886
 887     sub InKana {
 888         return <<END;
 889     3040\t309F
 890     30A0\t30FF
 891     END
 892     }
 893
 894 Imagine that the here-doc end marker is at the beginning of the line.
 895 Now you can use C<\p{InKana}> and C<\P{InKana}>.
 896
 897 You could also have used the existing block property names:
 898
 899     sub InKana {
 900         return <<'END';
 901     +utf8::InHiragana
 902     +utf8::InKatakana
 903     END
 904     }
 905
 906 Suppose you wanted to match only the allocated characters,
 907 not the raw block ranges: in other words, you want to remove
 908 the non-characters:
 909
 910     sub InKana {
 911         return <<'END';
 912     +utf8::InHiragana
 913     +utf8::InKatakana
 914     -utf8::IsCn
 915     END
 916     }
 917
 918 The negation is useful for defining (surprise!) negated classes.
 919
 920     sub InNotKana {
 921         return <<'END';
 922     !utf8::InHiragana
 923     -utf8::InKatakana
 924     +utf8::IsCn
 925     END
 926     }
 927
 928 This will match all non-Unicode code points, since every one of them is
 929 not in Kana.  You can use intersection to exclude these, if desired, as
 930 this modified example shows:
 931
 932     sub InNotKana {
 933         return <<'END';
 934     !utf8::InHiragana
 935     -utf8::InKatakana
 936     +utf8::IsCn
 937     &utf8::Any
 938     END
 939     }
 940
 941 C<&utf8::Any> must be the last line in the definition.
 942
 943 Intersection is used generally for getting the common characters matched
 944 by two (or more) classes.  It's important to remember not to use "&" for
 945 the first set; that would be intersecting with nothing, resulting in an
 946 empty set.
 947
 948 (Note that official Unicode properties differ from these in that they
 949 automatically exclude non-Unicode code points and a warning is raised if
 950 a match is attempted on one of those.)
 951
 952 =head2 User-Defined Case Mappings (for serious hackers only)
 953
 954 B<This feature has been removed as of Perl 5.16.>
 955 The CPAN module L<Unicode::Casing> provides better functionality without
 956 the drawbacks that this feature had.  If you are using a Perl earlier
 957 than 5.16, this feature was most fully documented in the 5.14 version of
 958 this pod:
 959 L<http://perldoc.perl.org/5.14.0/perlunicode.html#User-Defined-Case-Mappings-%28for-serious-hackers-only%29>
 960
 961 =head2 Character Encodings for Input and Output
 962
 963 See L<Encode>.
 964
 965 =head2 Unicode Regular Expression Support Level
 966
 967 The following list of Unicode supported features for regular expressions describes
 968 all features currently directly supported by core Perl.  The references to "Level N"
 969 and the section numbers refer to the Unicode Technical Standard #18,
 970 "Unicode Regular Expressions", version 13, from August 2008.
 971
 972 =over 4
 973
 974 =item *
 975
 976 Level 1 - Basic Unicode Support
 977
 978  RL1.1   Hex Notation                     - done          [1]
 979  RL1.2   Properties                       - done          [2][3]
 980  RL1.2a  Compatibility Properties         - done          [4]
 981  RL1.3   Subtraction and Intersection     - MISSING       [5]
 982  RL1.4   Simple Word Boundaries           - done          [6]
 983  RL1.5   Simple Loose Matches             - done          [7]
 984  RL1.6   Line Boundaries                  - MISSING       [8][9]
 985  RL1.7   Supplementary Code Points        - done          [10]
 986
 987  [1]  \x{...}
 988  [2]  \p{...} \P{...}
 989  [3]  supports not only minimal list, but all Unicode character
 990       properties (see Unicode Character Properties above)
 991  [4]  \d \D \s \S \w \W \X [:prop:] [:^prop:]
 992  [5]  can use regular expression look-ahead [a] or
 993       user-defined character properties [b] to emulate set
 994       operations
 995  [6]  \b \B
 996  [7]  note that Perl does Full case-folding in matching (but with
 997       bugs), not Simple: for example U+1F88 is equivalent to
 998       U+1F00 U+03B9, instead of just U+1F80.  This difference
 999       matters mainly for certain Greek capital letters with certain
1000       modifiers: the Full case-folding decomposes the letter,
1001       while the Simple case-folding would map it to a single
1002       character.
1003  [8]  should do ^ and $ also on U+000B (\v in C), FF (\f), CR
1004       (\r), CRLF (\r\n), NEL (U+0085), LS (U+2028), and PS
1005       (U+2029); should also affect <>, $., and script line
1006       numbers; should not split lines within CRLF [c] (i.e. there
1007       is no empty line between \r and \n)
1008  [9]  Linebreaking conformant with UAX#14 "Unicode Line Breaking
1009       Algorithm" is available through the Unicode::LineBreaking
1010       module.
1011  [10] UTF-8/UTF-EBDDIC used in Perl allows not only U+10000 to
1012       U+10FFFF but also beyond U+10FFFF
1013
1014 [a] You can mimic class subtraction using lookahead.
1015 For example, what UTS#18 might write as
1016
1017     [{Greek}-[{UNASSIGNED}]]
1018
1019 in Perl can be written as:
1020
1021     (?!\p{Unassigned})\p{InGreekAndCoptic}
1022     (?=\p{Assigned})\p{InGreekAndCoptic}
1023
1024 But in this particular example, you probably really want
1025
1026     \p{GreekAndCoptic}
1027
1028 which will match assigned characters known to be part of the Greek script.
1029
1030 Also see the L<Unicode::Regex::Set> module, it does implement the full
1031 UTS#18 grouping, intersection, union, and removal (subtraction) syntax.
1032
1033 [b] '+' for union, '-' for removal (set-difference), '&' for intersection
1034 (see L</"User-Defined Character Properties">)
1035
1036 [c] Try the C<:crlf> layer (see L<PerlIO>).
1037
1038 =item *
1039
1040 Level 2 - Extended Unicode Support
1041
1042  RL2.1   Canonical Equivalents           - MISSING       [10][11]
1043  RL2.2   Default Grapheme Clusters       - MISSING       [12]
1044  RL2.3   Default Word Boundaries         - MISSING       [14]
1045  RL2.4   Default Loose Matches           - MISSING       [15]
1046  RL2.5   Name Properties                 - DONE
1047  RL2.6   Wildcard Properties             - MISSING
1048
1049  [10] see UAX#15 "Unicode Normalization Forms"
1050  [11] have Unicode::Normalize but not integrated to regexes
1051  [12] have \X but we don't have a "Grapheme Cluster Mode"
1052  [14] see UAX#29, Word Boundaries
1053  [15] This is covered in Chapter 3.13 (in Unicode 6.0)
1054
1055 =item *
1056
1057 Level 3 - Tailored Support
1058
1059  RL3.1   Tailored Punctuation            - MISSING
1060  RL3.2   Tailored Grapheme Clusters      - MISSING       [17][18]
1061  RL3.3   Tailored Word Boundaries        - MISSING
1062  RL3.4   Tailored Loose Matches          - MISSING
1063  RL3.5   Tailored Ranges                 - MISSING
1064  RL3.6   Context Matching                - MISSING       [19]
1065  RL3.7   Incremental Matches             - MISSING
1066       ( RL3.8   Unicode Set Sharing )
1067  RL3.9   Possible Match Sets             - MISSING
1068  RL3.10  Folded Matching                 - MISSING       [20]
1069  RL3.11  Submatchers                     - MISSING
1070
1071  [17] see UAX#10 "Unicode Collation Algorithms"
1072  [18] have Unicode::Collate but not integrated to regexes
1073  [19] have (?<=x) and (?=x), but look-aheads or look-behinds
1074       should see outside of the target substring
1075  [20] need insensitive matching for linguistic features other
1076       than case; for example, hiragana to katakana, wide and
1077       narrow, simplified Han to traditional Han (see UTR#30
1078       "Character Foldings")
1079
1080 =back
1081
1082 =head2 Unicode Encodings
1083
1084 Unicode characters are assigned to I<code points>, which are abstract
1085 numbers.  To use these numbers, various encodings are needed.
1086
1087 =over 4
1088
1089 =item *
1090
1091 UTF-8
1092
1093 UTF-8 is a variable-length (1 to 4 bytes), byte-order independent
1094 encoding. For ASCII (and we really do mean 7-bit ASCII, not another
1095 8-bit encoding), UTF-8 is transparent.
1096
1097 The following table is from Unicode 3.2.
1098
1099  Code Points            1st Byte  2nd Byte  3rd Byte 4th Byte
1100
1101    U+0000..U+007F       00..7F
1102    U+0080..U+07FF     * C2..DF    80..BF
1103    U+0800..U+0FFF       E0      * A0..BF    80..BF
1104    U+1000..U+CFFF       E1..EC    80..BF    80..BF
1105    U+D000..U+D7FF       ED        80..9F    80..BF
1106    U+D800..U+DFFF       +++++ utf16 surrogates, not legal utf8 +++++
1107    U+E000..U+FFFF       EE..EF    80..BF    80..BF
1108   U+10000..U+3FFFF      F0      * 90..BF    80..BF    80..BF
1109   U+40000..U+FFFFF      F1..F3    80..BF    80..BF    80..BF
1110  U+100000..U+10FFFF     F4        80..8F    80..BF    80..BF
1111
1112 Note the gaps marked by "*" before several of the byte entries above.  These are
1113 caused by legal UTF-8 avoiding non-shortest encodings: it is technically
1114 possible to UTF-8-encode a single code point in different ways, but that is
1115 explicitly forbidden, and the shortest possible encoding should always be used
1116 (and that is what Perl does).
1117
1118 Another way to look at it is via bits:
1119
1120                 Code Points  1st Byte  2nd Byte  3rd Byte  4th Byte
1121
1122                    0aaaaaaa  0aaaaaaa
1123            00000bbbbbaaaaaa  110bbbbb  10aaaaaa
1124            ccccbbbbbbaaaaaa  1110cccc  10bbbbbb  10aaaaaa
1125  00000dddccccccbbbbbbaaaaaa  11110ddd  10cccccc  10bbbbbb  10aaaaaa
1126
1127 As you can see, the continuation bytes all begin with "10", and the
1128 leading bits of the start byte tell how many bytes there are in the
1129 encoded character.
1130
1131 The original UTF-8 specification allowed up to 6 bytes, to allow
1132 encoding of numbers up to 0x7FFF_FFFF.  Perl continues to allow those,
1133 and has extended that up to 13 bytes to encode code points up to what
1134 can fit in a 64-bit word.  However, Perl will warn if you output any of
1135 these as being non-portable; and under strict UTF-8 input protocols,
1136 they are forbidden.
1137
1138 The Unicode non-character code points are also disallowed in UTF-8 in
1139 "open interchange".  See L</Non-character code points>.
1140
1141 =item *
1142
1143 UTF-EBCDIC
1144
1145 Like UTF-8 but EBCDIC-safe, in the way that UTF-8 is ASCII-safe.
1146
1147 =item *
1148
1149 UTF-16, UTF-16BE, UTF-16LE, Surrogates, and BOMs (Byte Order Marks)
1150
1151 The followings items are mostly for reference and general Unicode
1152 knowledge, Perl doesn't use these constructs internally.
1153
1154 Like UTF-8, UTF-16 is a variable-width encoding, but where
1155 UTF-8 uses 8-bit code units, UTF-16 uses 16-bit code units.
1156 All code points occupy either 2 or 4 bytes in UTF-16: code points
1157 C<U+0000..U+FFFF> are stored in a single 16-bit unit, and code
1158 points C<U+10000..U+10FFFF> in two 16-bit units.  The latter case is
1159 using I<surrogates>, the first 16-bit unit being the I<high
1160 surrogate>, and the second being the I<low surrogate>.
1161
1162 Surrogates are code points set aside to encode the C<U+10000..U+10FFFF>
1163 range of Unicode code points in pairs of 16-bit units.  The I<high
1164 surrogates> are the range C<U+D800..U+DBFF> and the I<low surrogates>
1165 are the range C<U+DC00..U+DFFF>.  The surrogate encoding is
1166
1167     $hi = ($uni - 0x10000) / 0x400 + 0xD800;
1168     $lo = ($uni - 0x10000) % 0x400 + 0xDC00;
1169
1170 and the decoding is
1171
1172     $uni = 0x10000 + ($hi - 0xD800) * 0x400 + ($lo - 0xDC00);
1173
1174 Because of the 16-bitness, UTF-16 is byte-order dependent.  UTF-16
1175 itself can be used for in-memory computations, but if storage or
1176 transfer is required either UTF-16BE (big-endian) or UTF-16LE
1177 (little-endian) encodings must be chosen.
1178
1179 This introduces another problem: what if you just know that your data
1180 is UTF-16, but you don't know which endianness?  Byte Order Marks, or
1181 BOMs, are a solution to this.  A special character has been reserved
1182 in Unicode to function as a byte order marker: the character with the
1183 code point C<U+FEFF> is the BOM.
1184
1185 The trick is that if you read a BOM, you will know the byte order,
1186 since if it was written on a big-endian platform, you will read the
1187 bytes C<0xFE 0xFF>, but if it was written on a little-endian platform,
1188 you will read the bytes C<0xFF 0xFE>.  (And if the originating platform
1189 was writing in UTF-8, you will read the bytes C<0xEF 0xBB 0xBF>.)
1190
1191 The way this trick works is that the character with the code point
1192 C<U+FFFE> is not supposed to be in input streams, so the
1193 sequence of bytes C<0xFF 0xFE> is unambiguously "BOM, represented in
1194 little-endian format" and cannot be C<U+FFFE>, represented in big-endian
1195 format".
1196
1197 Surrogates have no meaning in Unicode outside their use in pairs to
1198 represent other code points.  However, Perl allows them to be
1199 represented individually internally, for example by saying
1200 C<chr(0xD801)>, so that all code points, not just those valid for open
1201 interchange, are
1202 representable.  Unicode does define semantics for them, such as their
1203 General Category is "Cs".  But because their use is somewhat dangerous,
1204 Perl will warn (using the warning category "surrogate", which is a
1205 sub-category of "utf8") if an attempt is made
1206 to do things like take the lower case of one, or match
1207 case-insensitively, or to output them.  (But don't try this on Perls
1208 before 5.14.)
1209
1210 =item *
1211
1212 UTF-32, UTF-32BE, UTF-32LE
1213
1214 The UTF-32 family is pretty much like the UTF-16 family, expect that
1215 the units are 32-bit, and therefore the surrogate scheme is not
1216 needed.  UTF-32 is a fixed-width encoding.  The BOM signatures are
1217 C<0x00 0x00 0xFE 0xFF> for BE and C<0xFF 0xFE 0x00 0x00> for LE.
1218
1219 =item *
1220
1221 UCS-2, UCS-4
1222
1223 Legacy, fixed-width encodings defined by the ISO 10646 standard.  UCS-2 is a 16-bit
1224 encoding.  Unlike UTF-16, UCS-2 is not extensible beyond C<U+FFFF>,
1225 because it does not use surrogates.  UCS-4 is a 32-bit encoding,
1226 functionally identical to UTF-32 (the difference being that
1227 UCS-4 forbids neither surrogates nor code points larger than 0x10_FFFF).
1228
1229 =item *
1230
1231 UTF-7
1232
1233 A seven-bit safe (non-eight-bit) encoding, which is useful if the
1234 transport or storage is not eight-bit safe.  Defined by RFC 2152.
1235
1236 =back
1237
1238 =head2 Non-character code points
1239
1240 66 code points are set aside in Unicode as "non-character code points".
1241 These all have the Unassigned (Cn) General Category, and they never will
1242 be assigned.  These are never supposed to be in legal Unicode input
1243 streams, so that code can use them as sentinels that can be mixed in
1244 with character data, and they always will be distinguishable from that data.
1245 To keep them out of Perl input streams, strict UTF-8 should be
1246 specified, such as by using the layer C<:encoding('UTF-8')>.  The
1247 non-character code points are the 32 between U+FDD0 and U+FDEF, and the
1248 34 code points U+FFFE, U+FFFF, U+1FFFE, U+1FFFF, ... U+10FFFE, U+10FFFF.
1249 Some people are under the mistaken impression that these are "illegal",
1250 but that is not true.  An application or cooperating set of applications
1251 can legally use them at will internally; but these code points are
1252 "illegal for open interchange".  Therefore, Perl will not accept these
1253 from input streams unless lax rules are being used, and will warn
1254 (using the warning category "nonchar", which is a sub-category of "utf8") if
1255 an attempt is made to output them.
1256
1257 =head2 Beyond Unicode code points
1258
1259 The maximum Unicode code point is U+10FFFF.  But Perl accepts code
1260 points up to the maximum permissible unsigned number available on the
1261 platform.  However, Perl will not accept these from input streams unless
1262 lax rules are being used, and will warn (using the warning category
1263 "non_unicode", which is a sub-category of "utf8") if an attempt is made to
1264 operate on or output them.  For example, C<uc(0x11_0000)> will generate
1265 this warning, returning the input parameter as its result, as the upper
1266 case of every non-Unicode code point is the code point itself.
1267
1268 =head2 Security Implications of Unicode
1269
1270 Read L<Unicode Security Considerations|http://www.unicode.org/reports/tr36>.
1271 Also, note the following:
1272
1273 =over 4
1274
1275 =item *
1276
1277 Malformed UTF-8
1278
1279 Unfortunately, the original specification of UTF-8 leaves some room for
1280 interpretation of how many bytes of encoded output one should generate
1281 from one input Unicode character.  Strictly speaking, the shortest
1282 possible sequence of UTF-8 bytes should be generated,
1283 because otherwise there is potential for an input buffer overflow at
1284 the receiving end of a UTF-8 connection.  Perl always generates the
1285 shortest length UTF-8, and with warnings on, Perl will warn about
1286 non-shortest length UTF-8 along with other malformations, such as the
1287 surrogates, which are not Unicode code points valid for interchange.
1288
1289 =item *
1290
1291 Regular expression pattern matching may surprise you if you're not
1292 accustomed to Unicode.  Starting in Perl 5.14, several pattern
1293 modifiers are available to control this, called the character set
1294 modifiers.  Details are given in L<perlre/Character set modifiers>.
1295
1296 =back
1297
1298 As discussed elsewhere, Perl has one foot (two hooves?) planted in
1299 each of two worlds: the old world of bytes and the new world of
1300 characters, upgrading from bytes to characters when necessary.
1301 If your legacy code does not explicitly use Unicode, no automatic
1302 switch-over to characters should happen.  Characters shouldn't get
1303 downgraded to bytes, either.  It is possible to accidentally mix bytes
1304 and characters, however (see L<perluniintro>), in which case C<\w> in
1305 regular expressions might start behaving differently (unless the C</a>
1306 modifier is in effect).  Review your code.  Use warnings and the C<strict> pragma.
1307
1308 =head2 Unicode in Perl on EBCDIC
1309
1310 The way Unicode is handled on EBCDIC platforms is still
1311 experimental.  On such platforms, references to UTF-8 encoding in this
1312 document and elsewhere should be read as meaning the UTF-EBCDIC
1313 specified in Unicode Technical Report 16, unless ASCII vs. EBCDIC issues
1314 are specifically discussed. There is no C<utfebcdic> pragma or
1315 ":utfebcdic" layer; rather, "utf8" and ":utf8" are reused to mean
1316 the platform's "natural" 8-bit encoding of Unicode. See L<perlebcdic>
1317 for more discussion of the issues.
1318
1319 =head2 Locales
1320
1321 See L<perllocale/Unicode and UTF-8>
1322
1323 =head2 When Unicode Does Not Happen
1324
1325 While Perl does have extensive ways to input and output in Unicode,
1326 and a few other "entry points" like the @ARGV array (which can sometimes be
1327 interpreted as UTF-8), there are still many places where Unicode
1328 (in some encoding or another) could be given as arguments or received as
1329 results, or both, but it is not.
1330
1331 The following are such interfaces.  Also, see L</The "Unicode Bug">.
1332 For all of these interfaces Perl
1333 currently (as of 5.8.3) simply assumes byte strings both as arguments
1334 and results, or UTF-8 strings if the (problematic) C<encoding> pragma has been used.
1335
1336 One reason that Perl does not attempt to resolve the role of Unicode in
1337 these situations is that the answers are highly dependent on the operating
1338 system and the file system(s).  For example, whether filenames can be
1339 in Unicode and in exactly what kind of encoding, is not exactly a
1340 portable concept.  Similarly for C<qx> and C<system>: how well will the
1341 "command-line interface" (and which of them?) handle Unicode?
1342
1343 =over 4
1344
1345 =item *
1346
1347 chdir, chmod, chown, chroot, exec, link, lstat, mkdir,
1348 rename, rmdir, stat, symlink, truncate, unlink, utime, -X
1349
1350 =item *
1351
1352 %ENV
1353
1354 =item *
1355
1356 glob (aka the <*>)
1357
1358 =item *
1359
1360 open, opendir, sysopen
1361
1362 =item *
1363
1364 qx (aka the backtick operator), system
1365
1366 =item *
1367
1368 readdir, readlink
1369
1370 =back
1371
1372 =head2 The "Unicode Bug"
1373
1374 The term, "Unicode bug" has been applied to an inconsistency
1375 on ASCII platforms with the
1376 Unicode code points in the Latin-1 Supplement block, that
1377 is, between 128 and 255.  Without a locale specified, unlike all other
1378 characters or code points, these characters have very different semantics in
1379 byte semantics versus character semantics, unless
1380 C<use feature 'unicode_strings'> is specified, directly or indirectly.
1381 (It is indirectly specified by a C<use v5.12> or higher.)
1382
1383 In character semantics these upper-Latin1 characters are interpreted as
1384 Unicode code points, which means
1385 they have the same semantics as Latin-1 (ISO-8859-1).
1386
1387 In byte semantics (without C<unicode_strings>), they are considered to
1388 be unassigned characters, meaning that the only semantics they have is
1389 their ordinal numbers, and that they are
1390 not members of various character classes.  None are considered to match C<\w>
1391 for example, but all match C<\W>.
1392
1393 Perl 5.12.0 added C<unicode_strings> to force character semantics on
1394 these code points in some circumstances, which fixed portions of the
1395 bug; Perl 5.14.0 fixed almost all of it; and Perl 5.16.0 fixed the
1396 remainder (so far as we know, anyway).  The lesson here is to enable
1397 C<unicode_strings> to avoid the headaches described below.
1398
1399 The old, problematic behavior affects these areas:
1400
1401 =over 4
1402
1403 =item *
1404
1405 Changing the case of a scalar, that is, using C<uc()>, C<ucfirst()>, C<lc()>,
1406 and C<lcfirst()>, or C<\L>, C<\U>, C<\u> and C<\l> in double-quotish
1407 contexts, such as regular expression substitutions.
1408 Under C<unicode_strings> starting in Perl 5.12.0, character semantics are
1409 generally used.  See L<perlfunc/lc> for details on how this works
1410 in combination with various other pragmas.
1411
1412 =item *
1413
1414 Using caseless (C</i>) regular expression matching.
1415 Starting in Perl 5.14.0, regular expressions compiled within
1416 the scope of C<unicode_semantics> use character semantics
1417 even when executed or compiled into larger
1418 regular expressions outside the scope.
1419
1420 =item *
1421
1422 Matching any of several properties in regular expressions, namely C<\b>,
1423 C<\B>, C<\s>, C<\S>, C<\w>, C<\W>, and all the Posix character classes
1424 I<except> C<[[:ascii:]]>.
1425 Starting in Perl 5.14.0, regular expressions compiled within
1426 the scope of C<unicode_semantics> use character semantics
1427 even when executed or compiled into larger
1428 regular expressions outside the scope.
1429
1430 =item *
1431
1432 In C<quotemeta> or its inline equivalent C<\Q>, no code points above 127
1433 are quoted in UTF-8 encoded strings, but in byte encoded strings, code
1434 points between 128-255 are always quoted.
1435 Starting in Perl 5.16.0, consistent quoting rules are used within the
1436 scope of C<unicode_strings>, as described in L<perlfunc/quotemeta>.
1437
1438 =back
1439
1440 This behavior can lead to unexpected results in which a string's semantics
1441 suddenly change if a code point above 255 is appended to or removed from it,
1442 which changes the string's semantics from byte to character or vice versa.  As
1443 an example, consider the following program and its output:
1444
1445  $ perl -le'
1446      no feature 'unicode_strings';
1447      $s1 = "\xC2";
1448      $s2 = "\x{2660}";
1449      for ($s1, $s2, $s1.$s2) {
1450          print /\w/ || 0;
1451      }
1452  '
1453  0
1454  0
1455  1
1456
1457 If there's no C<\w> in C<s1> or in C<s2>, why does their concatenation have one?
1458
1459 This anomaly stems from Perl's attempt to not disturb older programs that
1460 didn't use Unicode, and hence had no semantics for characters outside of the
1461 ASCII range (except in a locale), along with Perl's desire to add Unicode
1462 support seamlessly.  The result wasn't seamless: these characters were
1463 orphaned.
1464
1465 For Perls earlier than those described above, or when a string is passed
1466 to a function outside the subpragma's scope, a workaround is to always
1467 call C<utf8::upgrade($string)>,
1468 or to use the standard module L<Encode>.   Also, a scalar that has any characters
1469 whose ordinal is above 0x100, or which were specified using either of the
1470 C<\N{...}> notations, will automatically have character semantics.
1471
1472 =head2 Forcing Unicode in Perl (Or Unforcing Unicode in Perl)
1473
1474 Sometimes (see L</"When Unicode Does Not Happen"> or L</The "Unicode Bug">)
1475 there are situations where you simply need to force a byte
1476 string into UTF-8, or vice versa.  The low-level calls
1477 utf8::upgrade($bytestring) and utf8::downgrade($utf8string[, FAIL_OK]) are
1478 the answers.
1479
1480 Note that utf8::downgrade() can fail if the string contains characters
1481 that don't fit into a byte.
1482
1483 Calling either function on a string that already is in the desired state is a
1484 no-op.
1485
1486 =head2 Using Unicode in XS
1487
1488 If you want to handle Perl Unicode in XS extensions, you may find the
1489 following C APIs useful.  See also L<perlguts/"Unicode Support"> for an
1490 explanation about Unicode at the XS level, and L<perlapi> for the API
1491 details.
1492
1493 =over 4
1494
1495 =item *
1496
1497 C<DO_UTF8(sv)> returns true if the C<UTF8> flag is on and the bytes
1498 pragma is not in effect.  C<SvUTF8(sv)> returns true if the C<UTF8>
1499 flag is on; the bytes pragma is ignored.  The C<UTF8> flag being on
1500 does B<not> mean that there are any characters of code points greater
1501 than 255 (or 127) in the scalar or that there are even any characters
1502 in the scalar.  What the C<UTF8> flag means is that the sequence of
1503 octets in the representation of the scalar is the sequence of UTF-8
1504 encoded code points of the characters of a string.  The C<UTF8> flag
1505 being off means that each octet in this representation encodes a
1506 single character with code point 0..255 within the string.  Perl's
1507 Unicode model is not to use UTF-8 until it is absolutely necessary.
1508
1509 =item *
1510
1511 C<uvchr_to_utf8(buf, chr)> writes a Unicode character code point into
1512 a buffer encoding the code point as UTF-8, and returns a pointer
1513 pointing after the UTF-8 bytes.  It works appropriately on EBCDIC machines.
1514
1515 =item *
1516
1517 C<utf8_to_uvchr_buf(buf, bufend, lenp)> reads UTF-8 encoded bytes from a
1518 buffer and
1519 returns the Unicode character code point and, optionally, the length of
1520 the UTF-8 byte sequence.  It works appropriately on EBCDIC machines.
1521
1522 =item *
1523
1524 C<utf8_length(start, end)> returns the length of the UTF-8 encoded buffer
1525 in characters.  C<sv_len_utf8(sv)> returns the length of the UTF-8 encoded
1526 scalar.
1527
1528 =item *
1529
1530 C<sv_utf8_upgrade(sv)> converts the string of the scalar to its UTF-8
1531 encoded form.  C<sv_utf8_downgrade(sv)> does the opposite, if
1532 possible.  C<sv_utf8_encode(sv)> is like sv_utf8_upgrade except that
1533 it does not set the C<UTF8> flag.  C<sv_utf8_decode()> does the
1534 opposite of C<sv_utf8_encode()>.  Note that none of these are to be
1535 used as general-purpose encoding or decoding interfaces: C<use Encode>
1536 for that.  C<sv_utf8_upgrade()> is affected by the encoding pragma
1537 but C<sv_utf8_downgrade()> is not (since the encoding pragma is
1538 designed to be a one-way street).
1539
1540 =item *
1541
1542 C<is_utf8_string(buf, len)> returns true if C<len> bytes of the buffer
1543 are valid UTF-8.
1544
1545 =item *
1546
1547 C<is_utf8_char(s)> returns true if the pointer points to a valid UTF-8
1548 character.  However, this function should not be used because of
1549 security concerns.  Instead, use C<is_utf8_string()>.
1550
1551 =item *
1552
1553 C<UTF8SKIP(buf)> will return the number of bytes in the UTF-8 encoded
1554 character in the buffer.  C<UNISKIP(chr)> will return the number of bytes
1555 required to UTF-8-encode the Unicode character code point.  C<UTF8SKIP()>
1556 is useful for example for iterating over the characters of a UTF-8
1557 encoded buffer; C<UNISKIP()> is useful, for example, in computing
1558 the size required for a UTF-8 encoded buffer.
1559
1560 =item *
1561
1562 C<utf8_distance(a, b)> will tell the distance in characters between the
1563 two pointers pointing to the same UTF-8 encoded buffer.
1564
1565 =item *
1566
1567 C<utf8_hop(s, off)> will return a pointer to a UTF-8 encoded buffer
1568 that is C<off> (positive or negative) Unicode characters displaced
1569 from the UTF-8 buffer C<s>.  Be careful not to overstep the buffer:
1570 C<utf8_hop()> will merrily run off the end or the beginning of the
1571 buffer if told to do so.
1572
1573 =item *
1574
1575 C<pv_uni_display(dsv, spv, len, pvlim, flags)> and
1576 C<sv_uni_display(dsv, ssv, pvlim, flags)> are useful for debugging the
1577 output of Unicode strings and scalars.  By default they are useful
1578 only for debugging--they display B<all> characters as hexadecimal code
1579 points--but with the flags C<UNI_DISPLAY_ISPRINT>,
1580 C<UNI_DISPLAY_BACKSLASH>, and C<UNI_DISPLAY_QQ> you can make the
1581 output more readable.
1582
1583 =item *
1584
1585 C<foldEQ_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2)> can be used to
1586 compare two strings case-insensitively in Unicode.  For case-sensitive
1587 comparisons you can just use C<memEQ()> and C<memNE()> as usual, except
1588 if one string is in utf8 and the other isn't.
1589
1590 =back
1591
1592 For more information, see L<perlapi>, and F<utf8.c> and F<utf8.h>
1593 in the Perl source code distribution.
1594
1595 =head2 Hacking Perl to work on earlier Unicode versions (for very serious hackers only)
1596
1597 Perl by default comes with the latest supported Unicode version built in, but
1598 you can change to use any earlier one.
1599
1600 Download the files in the desired version of Unicode from the Unicode web
1601 site L<http://www.unicode.org>).  These should replace the existing files in
1602 F<lib/unicore> in the Perl source tree.  Follow the instructions in
1603 F<README.perl> in that directory to change some of their names, and then build
1604 perl (see L<INSTALL>).
1605
1606 =head1 BUGS
1607
1608 =head2 Interaction with Locales
1609
1610 See L<perllocale/Unicode and UTF-8>
1611
1612 =head2 Problems with characters in the Latin-1 Supplement range
1613
1614 See L</The "Unicode Bug">
1615
1616 =head2 Interaction with Extensions
1617
1618 When Perl exchanges data with an extension, the extension should be
1619 able to understand the UTF8 flag and act accordingly. If the
1620 extension doesn't recognize that flag, it's likely that the extension
1621 will return incorrectly-flagged data.
1622
1623 So if you're working with Unicode data, consult the documentation of
1624 every module you're using if there are any issues with Unicode data
1625 exchange. If the documentation does not talk about Unicode at all,
1626 suspect the worst and probably look at the source to learn how the
1627 module is implemented. Modules written completely in Perl shouldn't
1628 cause problems. Modules that directly or indirectly access code written
1629 in other programming languages are at risk.
1630
1631 For affected functions, the simple strategy to avoid data corruption is
1632 to always make the encoding of the exchanged data explicit. Choose an
1633 encoding that you know the extension can handle. Convert arguments passed
1634 to the extensions to that encoding and convert results back from that
1635 encoding. Write wrapper functions that do the conversions for you, so
1636 you can later change the functions when the extension catches up.
1637
1638 To provide an example, let's say the popular Foo::Bar::escape_html
1639 function doesn't deal with Unicode data yet. The wrapper function
1640 would convert the argument to raw UTF-8 and convert the result back to
1641 Perl's internal representation like so:
1642
1643     sub my_escape_html ($) {
1644         my($what) = shift;
1645         return unless defined $what;
1646         Encode::decode_utf8(Foo::Bar::escape_html(
1647                                          Encode::encode_utf8($what)));
1648     }
1649
1650 Sometimes, when the extension does not convert data but just stores
1651 and retrieves them, you will be able to use the otherwise
1652 dangerous Encode::_utf8_on() function. Let's say the popular
1653 C<Foo::Bar> extension, written in C, provides a C<param> method that
1654 lets you store and retrieve data according to these prototypes:
1655
1656     $self->param($name, $value);            # set a scalar
1657     $value = $self->param($name);           # retrieve a scalar
1658
1659 If it does not yet provide support for any encoding, one could write a
1660 derived class with such a C<param> method:
1661
1662     sub param {
1663       my($self,$name,$value) = @_;
1664       utf8::upgrade($name);     # make sure it is UTF-8 encoded
1665       if (defined $value) {
1666         utf8::upgrade($value);  # make sure it is UTF-8 encoded
1667         return $self->SUPER::param($name,$value);
1668       } else {
1669         my $ret = $self->SUPER::param($name);
1670         Encode::_utf8_on($ret); # we know, it is UTF-8 encoded
1671         return $ret;
1672       }
1673     }
1674
1675 Some extensions provide filters on data entry/exit points, such as
1676 DB_File::filter_store_key and family. Look out for such filters in
1677 the documentation of your extensions, they can make the transition to
1678 Unicode data much easier.
1679
1680 =head2 Speed
1681
1682 Some functions are slower when working on UTF-8 encoded strings than
1683 on byte encoded strings.  All functions that need to hop over
1684 characters such as length(), substr() or index(), or matching regular
1685 expressions can work B<much> faster when the underlying data are
1686 byte-encoded.
1687
1688 In Perl 5.8.0 the slowness was often quite spectacular; in Perl 5.8.1
1689 a caching scheme was introduced which will hopefully make the slowness
1690 somewhat less spectacular, at least for some operations.  In general,
1691 operations with UTF-8 encoded strings are still slower. As an example,
1692 the Unicode properties (character classes) like C<\p{Nd}> are known to
1693 be quite a bit slower (5-20 times) than their simpler counterparts
1694 like C<\d> (then again, there are hundreds of Unicode characters matching C<Nd>
1695 compared with the 10 ASCII characters matching C<d>).
1696
1697 =head2 Problems on EBCDIC platforms
1698
1699 There are several known problems with Perl on EBCDIC platforms.  If you
1700 want to use Perl there, send email to perlbug@perl.org.
1701
1702 In earlier versions, when byte and character data were concatenated,
1703 the new string was sometimes created by
1704 decoding the byte strings as I<ISO 8859-1 (Latin-1)>, even if the
1705 old Unicode string used EBCDIC.
1706
1707 If you find any of these, please report them as bugs.
1708
1709 =head2 Porting code from perl-5.6.X
1710
1711 Perl 5.8 has a different Unicode model from 5.6. In 5.6 the programmer
1712 was required to use the C<utf8> pragma to declare that a given scope
1713 expected to deal with Unicode data and had to make sure that only
1714 Unicode data were reaching that scope. If you have code that is
1715 working with 5.6, you will need some of the following adjustments to
1716 your code. The examples are written such that the code will continue
1717 to work under 5.6, so you should be safe to try them out.
1718
1719 =over 3
1720
1721 =item *
1722
1723 A filehandle that should read or write UTF-8
1724
1725   if ($] > 5.007) {
1726     binmode $fh, ":encoding(utf8)";
1727   }
1728
1729 =item *
1730
1731 A scalar that is going to be passed to some extension
1732
1733 Be it Compress::Zlib, Apache::Request or any extension that has no
1734 mention of Unicode in the manpage, you need to make sure that the
1735 UTF8 flag is stripped off. Note that at the time of this writing
1736 (October 2002) the mentioned modules are not UTF-8-aware. Please
1737 check the documentation to verify if this is still true.
1738
1739   if ($] > 5.007) {
1740     require Encode;
1741     $val = Encode::encode_utf8($val); # make octets
1742   }
1743
1744 =item *
1745
1746 A scalar we got back from an extension
1747
1748 If you believe the scalar comes back as UTF-8, you will most likely
1749 want the UTF8 flag restored:
1750
1751   if ($] > 5.007) {
1752     require Encode;
1753     $val = Encode::decode_utf8($val);
1754   }
1755
1756 =item *
1757
1758 Same thing, if you are really sure it is UTF-8
1759
1760   if ($] > 5.007) {
1761     require Encode;
1762     Encode::_utf8_on($val);
1763   }
1764
1765 =item *
1766
1767 A wrapper for fetchrow_array and fetchrow_hashref
1768
1769 When the database contains only UTF-8, a wrapper function or method is
1770 a convenient way to replace all your fetchrow_array and
1771 fetchrow_hashref calls. A wrapper function will also make it easier to
1772 adapt to future enhancements in your database driver. Note that at the
1773 time of this writing (October 2002), the DBI has no standardized way
1774 to deal with UTF-8 data. Please check the documentation to verify if
1775 that is still true.
1776
1777   sub fetchrow {
1778     # $what is one of fetchrow_{array,hashref}
1779     my($self, $sth, $what) = @_;
1780     if ($] < 5.007) {
1781       return $sth->$what;
1782     } else {
1783       require Encode;
1784       if (wantarray) {
1785         my @arr = $sth->$what;
1786         for (@arr) {
1787           defined && /[^\000-\177]/ && Encode::_utf8_on($_);
1788         }
1789         return @arr;
1790       } else {
1791         my $ret = $sth->$what;
1792         if (ref $ret) {
1793           for my $k (keys %$ret) {
1794             defined
1795             && /[^\000-\177]/
1796             && Encode::_utf8_on($_) for $ret->{$k};
1797           }
1798           return $ret;
1799         } else {
1800           defined && /[^\000-\177]/ && Encode::_utf8_on($_) for $ret;
1801           return $ret;
1802         }
1803       }
1804     }
1805   }
1806
1807
1808 =item *
1809
1810 A large scalar that you know can only contain ASCII
1811
1812 Scalars that contain only ASCII and are marked as UTF-8 are sometimes
1813 a drag to your program. If you recognize such a situation, just remove
1814 the UTF8 flag:
1815
1816   utf8::downgrade($val) if $] > 5.007;
1817
1818 =back
1819
1820 =head1 SEE ALSO
1821
1822 L<perlunitut>, L<perluniintro>, L<perluniprops>, L<Encode>, L<open>, L<utf8>, L<bytes>,
1823 L<perlretut>, L<perlvar/"${^UNICODE}">
1824 L<http://www.unicode.org/reports/tr44>).
1825
1826 =cut