This is a live mirror of the Perl 5 development currently hosted at https://github.com/perl/perl5
d6931e4d0225b4182423149022c70d26fc8eba78
[perl5.git] / pod / perlunicode.pod
1 =head1 NAME
2
3 perlunicode - Unicode support in Perl
4
5 =head1 DESCRIPTION
6
7 If you haven't already, before reading this document, you should become
8 familiar with both L<perlunitut> and L<perluniintro>.
9
10 Unicode aims to B<UNI>-fy the en-B<CODE>-ings of all the world's
11 character sets into a single Standard.   For quite a few of the various
12 coding standards that existed when Unicode was first created, converting
13 from each to Unicode essentially meant adding a constant to each code
14 point in the original standard, and converting back meant just
15 subtracting that same constant.  For ASCII and ISO-8859-1, the constant
16 is 0.  For ISO-8859-5, (Cyrillic) the constant is 864; for Hebrew
17 (ISO-8859-8), it's 1488; Thai (ISO-8859-11), 3424; and so forth.  This
18 made it easy to do the conversions, and facilitated the adoption of
19 Unicode.
20
21 And it worked; nowadays, those legacy standards are rarely used.  Most
22 everyone uses Unicode.
23
24 Unicode is a comprehensive standard.  It specifies many things outside
25 the scope of Perl, such as how to display sequences of characters.  For
26 a full discussion of all aspects of Unicode, see
27 L<http://www.unicode.org>.
28
29 =head2 Important Caveats
30
31 Even though some of this section may not be understandable to you on
32 first reading, we think it's important enough to highlight some of the
33 gotchas before delving further, so here goes:
34
35 Unicode support is an extensive requirement. While Perl does not
36 implement the Unicode standard or the accompanying technical reports
37 from cover to cover, Perl does support many Unicode features.
38
39 Also, the use of Unicode may present security issues that aren't
40 obvious, see L</Security Implications of Unicode>.
41
42 =over 4
43
44 =item Safest if you C<use feature 'unicode_strings'>
45
46 In order to preserve backward compatibility, Perl does not turn
47 on full internal Unicode support unless the pragma
48 L<S<C<use feature 'unicode_strings'>>|feature/The 'unicode_strings' feature>
49 is specified.  (This is automatically
50 selected if you S<C<use 5.012>> or higher.)  Failure to do this can
51 trigger unexpected surprises.  See L</The "Unicode Bug"> below.
52
53 This pragma doesn't affect I/O.  Nor does it change the internal
54 representation of strings, only their interpretation.  There are still
55 several places where Unicode isn't fully supported, such as in
56 filenames.
57
58 =item Input and Output Layers
59
60 Use the C<:encoding(...)> layer  to read from and write to
61 filehandles using the specified encoding.  (See L<open>.)
62
63 =item You must convert your non-ASCII, non-UTF-8 Perl scripts to be
64 UTF-8.
65
66 The L<encoding> module has been deprecated since perl 5.18 and the
67 perl internals it requires have been removed with perl 5.26.
68
69 =item C<use utf8> still needed to enable L<UTF-8|/Unicode Encodings> in scripts
70
71 If your Perl script is itself encoded in L<UTF-8|/Unicode Encodings>,
72 the S<C<use utf8>> pragma must be explicitly included to enable
73 recognition of that (in string or regular expression literals, or in
74 identifier names).  B<This is the only time when an explicit S<C<use
75 utf8>> is needed.>  (See L<utf8>).
76
77 If a Perl script begins with the bytes that form the UTF-8 encoding of
78 the Unicode BYTE ORDER MARK (C<BOM>, see L</Unicode Encodings>), those
79 bytes are completely ignored.
80
81 =item L<UTF-16|/Unicode Encodings> scripts autodetected
82
83 If a Perl script begins with the Unicode C<BOM> (UTF-16LE,
84 UTF16-BE), or if the script looks like non-C<BOM>-marked
85 UTF-16 of either endianness, Perl will correctly read in the script as
86 the appropriate Unicode encoding.
87
88 =back
89
90 =head2 Byte and Character Semantics
91
92 Before Unicode, most encodings used 8 bits (a single byte) to encode
93 each character.  Thus a character was a byte, and a byte was a
94 character, and there could be only 256 or fewer possible characters.
95 "Byte Semantics" in the title of this section refers to
96 this behavior.  There was no need to distinguish between "Byte" and
97 "Character".
98
99 Then along comes Unicode which has room for over a million characters
100 (and Perl allows for even more).  This means that a character may
101 require more than a single byte to represent it, and so the two terms
102 are no longer equivalent.  What matter are the characters as whole
103 entities, and not usually the bytes that comprise them.  That's what the
104 term "Character Semantics" in the title of this section refers to.
105
106 Perl had to change internally to decouple "bytes" from "characters".
107 It is important that you too change your ideas, if you haven't already,
108 so that "byte" and "character" no longer mean the same thing in your
109 mind.
110
111 The basic building block of Perl strings has always been a "character".
112 The changes basically come down to that the implementation no longer
113 thinks that a character is always just a single byte.
114
115 There are various things to note:
116
117 =over 4
118
119 =item *
120
121 String handling functions, for the most part, continue to operate in
122 terms of characters.  C<length()>, for example, returns the number of
123 characters in a string, just as before.  But that number no longer is
124 necessarily the same as the number of bytes in the string (there may be
125 more bytes than characters).  The other such functions include
126 C<chop()>, C<chomp()>, C<substr()>, C<pos()>, C<index()>, C<rindex()>,
127 C<sort()>, C<sprintf()>, and C<write()>.
128
129 The exceptions are:
130
131 =over 4
132
133 =item *
134
135 the bit-oriented C<vec>
136
137 E<nbsp>
138
139 =item *
140
141 the byte-oriented C<pack>/C<unpack> C<"C"> format
142
143 However, the C<W> specifier does operate on whole characters, as does the
144 C<U> specifier.
145
146 =item *
147
148 some operators that interact with the platform's operating system
149
150 Operators dealing with filenames are examples.
151
152 =item *
153
154 when the functions are called from within the scope of the
155 S<C<L<use bytes|bytes>>> pragma
156
157 Likely, you should use this only for debugging anyway.
158
159 =back
160
161 =item *
162
163 Strings--including hash keys--and regular expression patterns may
164 contain characters that have ordinal values larger than 255.
165
166 If you use a Unicode editor to edit your program, Unicode characters may
167 occur directly within the literal strings in UTF-8 encoding, or UTF-16.
168 (The former requires a C<use utf8>, the latter may require a C<BOM>.)
169
170 L<perluniintro/Creating Unicode> gives other ways to place non-ASCII
171 characters in your strings.
172
173 =item *
174
175 The C<chr()> and C<ord()> functions work on whole characters.
176
177 =item *
178
179 Regular expressions match whole characters.  For example, C<"."> matches
180 a whole character instead of only a single byte.
181
182 =item *
183
184 The C<tr///> operator translates whole characters.  (Note that the
185 C<tr///CU> functionality has been removed.  For similar functionality to
186 that, see C<pack('U0', ...)> and C<pack('C0', ...)>).
187
188 =item *
189
190 C<scalar reverse()> reverses by character rather than by byte.
191
192 =item *
193
194 The bit string operators, C<& | ^ ~> and (starting in v5.22)
195 C<&. |. ^.  ~.> can operate on bit strings encoded in UTF-8, but this
196 can give unexpected results if any of the strings contain code points
197 above 0xFF.  Starting in v5.28, it is a fatal error to have such an
198 operand.  Otherwise, the operation is performed on a non-UTF-8 copy of
199 the operand.  If you're not sure about the encoding of a string,
200 downgrade it before using any of these operators; you can use
201 L<C<utf8::utf8_downgrade()>|utf8/Utility functions>.
202
203 =back
204
205 The bottom line is that Perl has always practiced "Character Semantics",
206 but with the advent of Unicode, that is now different than "Byte
207 Semantics".
208
209 =head2 ASCII Rules versus Unicode Rules
210
211 Before Unicode, when a character was a byte was a character,
212 Perl knew only about the 128 characters defined by ASCII, code points 0
213 through 127 (except for under L<S<C<use locale>>|perllocale>).  That
214 left the code
215 points 128 to 255 as unassigned, and available for whatever use a
216 program might want.  The only semantics they have is their ordinal
217 numbers, and that they are members of none of the non-negative character
218 classes.  None are considered to match C<\w> for example, but all match
219 C<\W>.
220
221 Unicode, of course, assigns each of those code points a particular
222 meaning (along with ones above 255).  To preserve backward
223 compatibility, Perl only uses the Unicode meanings when there is some
224 indication that Unicode is what is intended; otherwise the non-ASCII
225 code points remain treated as if they are unassigned.
226
227 Here are the ways that Perl knows that a string should be treated as
228 Unicode:
229
230 =over
231
232 =item *
233
234 Within the scope of S<C<use utf8>>
235
236 If the whole program is Unicode (signified by using 8-bit B<U>nicode
237 B<T>ransformation B<F>ormat), then all literal strings within it must be
238 Unicode.
239
240 =item *
241
242 Within the scope of
243 L<S<C<use feature 'unicode_strings'>>|feature/The 'unicode_strings' feature>
244
245 This pragma was created so you can explicitly tell Perl that operations
246 executed within its scope are to use Unicode rules.  More operations are
247 affected with newer perls.  See L</The "Unicode Bug">.
248
249 =item *
250
251 Within the scope of S<C<use 5.012>> or higher
252
253 This implicitly turns on S<C<use feature 'unicode_strings'>>.
254
255 =item *
256
257 Within the scope of
258 L<S<C<use locale 'not_characters'>>|perllocale/Unicode and UTF-8>,
259 or L<S<C<use locale>>|perllocale> and the current
260 locale is a UTF-8 locale.
261
262 The former is defined to imply Unicode handling; and the latter
263 indicates a Unicode locale, hence a Unicode interpretation of all
264 strings within it.
265
266 =item *
267
268 When the string contains a Unicode-only code point
269
270 Perl has never accepted code points above 255 without them being
271 Unicode, so their use implies Unicode for the whole string.
272
273 =item *
274
275 When the string contains a Unicode named code point C<\N{...}>
276
277 The C<\N{...}> construct explicitly refers to a Unicode code point,
278 even if it is one that is also in ASCII.  Therefore the string
279 containing it must be Unicode.
280
281 =item *
282
283 When the string has come from an external source marked as
284 Unicode
285
286 The L<C<-C>|perlrun/-C [numberE<sol>list]> command line option can
287 specify that certain inputs to the program are Unicode, and the values
288 of this can be read by your Perl code, see L<perlvar/"${^UNICODE}">.
289
290 =item * When the string has been upgraded to UTF-8
291
292 The function L<C<utf8::utf8_upgrade()>|utf8/Utility functions>
293 can be explicitly used to permanently (unless a subsequent
294 C<utf8::utf8_downgrade()> is called) cause a string to be treated as
295 Unicode.
296
297 =item * There are additional methods for regular expression patterns
298
299 A pattern that is compiled with the C<< /u >> or C<< /a >> modifiers is
300 treated as Unicode (though there are some restrictions with C<< /a >>).
301 Under the C<< /d >> and C<< /l >> modifiers, there are several other
302 indications for Unicode; see L<perlre/Character set modifiers>.
303
304 =back
305
306 Note that all of the above are overridden within the scope of
307 C<L<use bytes|bytes>>; but you should be using this pragma only for
308 debugging.
309
310 Note also that some interactions with the platform's operating system
311 never use Unicode rules.
312
313 When Unicode rules are in effect:
314
315 =over 4
316
317 =item *
318
319 Case translation operators use the Unicode case translation tables.
320
321 Note that C<uc()>, or C<\U> in interpolated strings, translates to
322 uppercase, while C<ucfirst>, or C<\u> in interpolated strings,
323 translates to titlecase in languages that make the distinction (which is
324 equivalent to uppercase in languages without the distinction).
325
326 There is a CPAN module, C<L<Unicode::Casing>>, which allows you to
327 define your own mappings to be used in C<lc()>, C<lcfirst()>, C<uc()>,
328 C<ucfirst()>, and C<fc> (or their double-quoted string inlined versions
329 such as C<\U>).  (Prior to Perl 5.16, this functionality was partially
330 provided in the Perl core, but suffered from a number of insurmountable
331 drawbacks, so the CPAN module was written instead.)
332
333 =item *
334
335 Character classes in regular expressions match based on the character
336 properties specified in the Unicode properties database.
337
338 C<\w> can be used to match a Japanese ideograph, for instance; and
339 C<[[:digit:]]> a Bengali number.
340
341 =item *
342
343 Named Unicode properties, scripts, and block ranges may be used (like
344 bracketed character classes) by using the C<\p{}> "matches property"
345 construct and the C<\P{}> negation, "doesn't match property".
346
347 See L</"Unicode Character Properties"> for more details.
348
349 You can define your own character properties and use them
350 in the regular expression with the C<\p{}> or C<\P{}> construct.
351 See L</"User-Defined Character Properties"> for more details.
352
353 =back
354
355 =head2 Extended Grapheme Clusters (Logical characters)
356
357 Consider a character, say C<H>.  It could appear with various marks around it,
358 such as an acute accent, or a circumflex, or various hooks, circles, arrows,
359 I<etc.>, above, below, to one side or the other, I<etc>.  There are many
360 possibilities among the world's languages.  The number of combinations is
361 astronomical, and if there were a character for each combination, it would
362 soon exhaust Unicode's more than a million possible characters.  So Unicode
363 took a different approach: there is a character for the base C<H>, and a
364 character for each of the possible marks, and these can be variously combined
365 to get a final logical character.  So a logical character--what appears to be a
366 single character--can be a sequence of more than one individual characters.
367 The Unicode standard calls these "extended grapheme clusters" (which
368 is an improved version of the no-longer much used "grapheme cluster");
369 Perl furnishes the C<\X> regular expression construct to match such
370 sequences in their entirety.
371
372 But Unicode's intent is to unify the existing character set standards and
373 practices, and several pre-existing standards have single characters that
374 mean the same thing as some of these combinations, like ISO-8859-1,
375 which has quite a few of them. For example, C<"LATIN CAPITAL LETTER E
376 WITH ACUTE"> was already in this standard when Unicode came along.
377 Unicode therefore added it to its repertoire as that single character.
378 But this character is considered by Unicode to be equivalent to the
379 sequence consisting of the character C<"LATIN CAPITAL LETTER E">
380 followed by the character C<"COMBINING ACUTE ACCENT">.
381
382 C<"LATIN CAPITAL LETTER E WITH ACUTE"> is called a "pre-composed"
383 character, and its equivalence with the "E" and the "COMBINING ACCENT"
384 sequence is called canonical equivalence.  All pre-composed characters
385 are said to have a decomposition (into the equivalent sequence), and the
386 decomposition type is also called canonical.  A string may be comprised
387 as much as possible of precomposed characters, or it may be comprised of
388 entirely decomposed characters.  Unicode calls these respectively,
389 "Normalization Form Composed" (NFC) and "Normalization Form Decomposed".
390 The C<L<Unicode::Normalize>> module contains functions that convert
391 between the two.  A string may also have both composed characters and
392 decomposed characters; this module can be used to make it all one or the
393 other.
394
395 You may be presented with strings in any of these equivalent forms.
396 There is currently nothing in Perl 5 that ignores the differences.  So
397 you'll have to specially handle it.  The usual advice is to convert your
398 inputs to C<NFD> before processing further.
399
400 For more detailed information, see L<http://unicode.org/reports/tr15/>.
401
402 =head2 Unicode Character Properties
403
404 (The only time that Perl considers a sequence of individual code
405 points as a single logical character is in the C<\X> construct, already
406 mentioned above.   Therefore "character" in this discussion means a single
407 Unicode code point.)
408
409 Very nearly all Unicode character properties are accessible through
410 regular expressions by using the C<\p{}> "matches property" construct
411 and the C<\P{}> "doesn't match property" for its negation.
412
413 For instance, C<\p{Uppercase}> matches any single character with the Unicode
414 C<"Uppercase"> property, while C<\p{L}> matches any character with a
415 C<General_Category> of C<"L"> (letter) property (see
416 L</General_Category> below).  Brackets are not
417 required for single letter property names, so C<\p{L}> is equivalent to C<\pL>.
418
419 More formally, C<\p{Uppercase}> matches any single character whose Unicode
420 C<Uppercase> property value is C<True>, and C<\P{Uppercase}> matches any character
421 whose C<Uppercase> property value is C<False>, and they could have been written as
422 C<\p{Uppercase=True}> and C<\p{Uppercase=False}>, respectively.
423
424 This formality is needed when properties are not binary; that is, if they can
425 take on more values than just C<True> and C<False>.  For example, the
426 C<Bidi_Class> property (see L</"Bidirectional Character Types"> below),
427 can take on several different
428 values, such as C<Left>, C<Right>, C<Whitespace>, and others.  To match these, one needs
429 to specify both the property name (C<Bidi_Class>), AND the value being
430 matched against
431 (C<Left>, C<Right>, I<etc.>).  This is done, as in the examples above, by having the
432 two components separated by an equal sign (or interchangeably, a colon), like
433 C<\p{Bidi_Class: Left}>.
434
435 All Unicode-defined character properties may be written in these compound forms
436 of C<\p{I<property>=I<value>}> or C<\p{I<property>:I<value>}>, but Perl provides some
437 additional properties that are written only in the single form, as well as
438 single-form short-cuts for all binary properties and certain others described
439 below, in which you may omit the property name and the equals or colon
440 separator.
441
442 Most Unicode character properties have at least two synonyms (or aliases if you
443 prefer): a short one that is easier to type and a longer one that is more
444 descriptive and hence easier to understand.  Thus the C<"L"> and
445 C<"Letter"> properties above are equivalent and can be used
446 interchangeably.  Likewise, C<"Upper"> is a synonym for C<"Uppercase">,
447 and we could have written C<\p{Uppercase}> equivalently as C<\p{Upper}>.
448 Also, there are typically various synonyms for the values the property
449 can be.   For binary properties, C<"True"> has 3 synonyms: C<"T">,
450 C<"Yes">, and C<"Y">; and C<"False"> has correspondingly C<"F">,
451 C<"No">, and C<"N">.  But be careful.  A short form of a value for one
452 property may not mean the same thing as the same short form for another.
453 Thus, for the C<L</General_Category>> property, C<"L"> means
454 C<"Letter">, but for the L<C<Bidi_Class>|/Bidirectional Character Types>
455 property, C<"L"> means C<"Left">.  A complete list of properties and
456 synonyms is in L<perluniprops>.
457
458 Upper/lower case differences in property names and values are irrelevant;
459 thus C<\p{Upper}> means the same thing as C<\p{upper}> or even C<\p{UpPeR}>.
460 Similarly, you can add or subtract underscores anywhere in the middle of a
461 word, so that these are also equivalent to C<\p{U_p_p_e_r}>.  And white space
462 is irrelevant adjacent to non-word characters, such as the braces and the equals
463 or colon separators, so C<\p{   Upper  }> and C<\p{ Upper_case : Y }> are
464 equivalent to these as well.  In fact, white space and even
465 hyphens can usually be added or deleted anywhere.  So even C<\p{ Up-per case = Yes}> is
466 equivalent.  All this is called "loose-matching" by Unicode.  The few places
467 where stricter matching is used is in the middle of numbers, and in the Perl
468 extension properties that begin or end with an underscore.  Stricter matching
469 cares about white space (except adjacent to non-word characters),
470 hyphens, and non-interior underscores.
471
472 You can also use negation in both C<\p{}> and C<\P{}> by introducing a caret
473 (C<^>) between the first brace and the property name: C<\p{^Tamil}> is
474 equal to C<\P{Tamil}>.
475
476 Almost all properties are immune to case-insensitive matching.  That is,
477 adding a C</i> regular expression modifier does not change what they
478 match.  There are two sets that are affected.
479 The first set is
480 C<Uppercase_Letter>,
481 C<Lowercase_Letter>,
482 and C<Titlecase_Letter>,
483 all of which match C<Cased_Letter> under C</i> matching.
484 And the second set is
485 C<Uppercase>,
486 C<Lowercase>,
487 and C<Titlecase>,
488 all of which match C<Cased> under C</i> matching.
489 This set also includes its subsets C<PosixUpper> and C<PosixLower> both
490 of which under C</i> match C<PosixAlpha>.
491 (The difference between these sets is that some things, such as Roman
492 numerals, come in both upper and lower case so they are C<Cased>, but
493 aren't considered letters, so they aren't C<Cased_Letter>'s.)
494
495 See L</Beyond Unicode code points> for special considerations when
496 matching Unicode properties against non-Unicode code points.
497
498 =head3 B<General_Category>
499
500 Every Unicode character is assigned a general category, which is the "most
501 usual categorization of a character" (from
502 L<http://www.unicode.org/reports/tr44>).
503
504 The compound way of writing these is like C<\p{General_Category=Number}>
505 (short: C<\p{gc:n}>).  But Perl furnishes shortcuts in which everything up
506 through the equal or colon separator is omitted.  So you can instead just write
507 C<\pN>.
508
509 Here are the short and long forms of the values the C<General Category> property
510 can have:
511
512     Short       Long
513
514     L           Letter
515     LC, L&      Cased_Letter (that is: [\p{Ll}\p{Lu}\p{Lt}])
516     Lu          Uppercase_Letter
517     Ll          Lowercase_Letter
518     Lt          Titlecase_Letter
519     Lm          Modifier_Letter
520     Lo          Other_Letter
521
522     M           Mark
523     Mn          Nonspacing_Mark
524     Mc          Spacing_Mark
525     Me          Enclosing_Mark
526
527     N           Number
528     Nd          Decimal_Number (also Digit)
529     Nl          Letter_Number
530     No          Other_Number
531
532     P           Punctuation (also Punct)
533     Pc          Connector_Punctuation
534     Pd          Dash_Punctuation
535     Ps          Open_Punctuation
536     Pe          Close_Punctuation
537     Pi          Initial_Punctuation
538                 (may behave like Ps or Pe depending on usage)
539     Pf          Final_Punctuation
540                 (may behave like Ps or Pe depending on usage)
541     Po          Other_Punctuation
542
543     S           Symbol
544     Sm          Math_Symbol
545     Sc          Currency_Symbol
546     Sk          Modifier_Symbol
547     So          Other_Symbol
548
549     Z           Separator
550     Zs          Space_Separator
551     Zl          Line_Separator
552     Zp          Paragraph_Separator
553
554     C           Other
555     Cc          Control (also Cntrl)
556     Cf          Format
557     Cs          Surrogate
558     Co          Private_Use
559     Cn          Unassigned
560
561 Single-letter properties match all characters in any of the
562 two-letter sub-properties starting with the same letter.
563 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>.
564
565 =head3 B<Bidirectional Character Types>
566
567 Because scripts differ in their directionality (Hebrew and Arabic are
568 written right to left, for example) Unicode supplies a C<Bidi_Class> property.
569 Some of the values this property can have are:
570
571     Value       Meaning
572
573     L           Left-to-Right
574     LRE         Left-to-Right Embedding
575     LRO         Left-to-Right Override
576     R           Right-to-Left
577     AL          Arabic Letter
578     RLE         Right-to-Left Embedding
579     RLO         Right-to-Left Override
580     PDF         Pop Directional Format
581     EN          European Number
582     ES          European Separator
583     ET          European Terminator
584     AN          Arabic Number
585     CS          Common Separator
586     NSM         Non-Spacing Mark
587     BN          Boundary Neutral
588     B           Paragraph Separator
589     S           Segment Separator
590     WS          Whitespace
591     ON          Other Neutrals
592
593 This property is always written in the compound form.
594 For example, C<\p{Bidi_Class:R}> matches characters that are normally
595 written right to left.  Unlike the
596 C<L</General_Category>> property, this
597 property can have more values added in a future Unicode release.  Those
598 listed above comprised the complete set for many Unicode releases, but
599 others were added in Unicode 6.3; you can always find what the
600 current ones are in L<perluniprops>.  And
601 L<http://www.unicode.org/reports/tr9/> describes how to use them.
602
603 =head3 B<Scripts>
604
605 The world's languages are written in many different scripts.  This sentence
606 (unless you're reading it in translation) is written in Latin, while Russian is
607 written in Cyrillic, and Greek is written in, well, Greek; Japanese mainly in
608 Hiragana or Katakana.  There are many more.
609
610 The Unicode C<Script> and C<Script_Extensions> properties give what
611 script a given character is in.  The C<Script_Extensions> property is an
612 improved version of C<Script>, as demonstrated below.  Either property
613 can be specified with the compound form like
614 C<\p{Script=Hebrew}> (short: C<\p{sc=hebr}>), or
615 C<\p{Script_Extensions=Javanese}> (short: C<\p{scx=java}>).
616 In addition, Perl furnishes shortcuts for all
617 C<Script_Extensions> property names.  You can omit everything up through
618 the equals (or colon), and simply write C<\p{Latin}> or C<\P{Cyrillic}>.
619 (This is not true for C<Script>, which is required to be
620 written in the compound form.  Prior to Perl v5.26, the single form
621 returned the plain old C<Script> version, but was changed because
622 C<Script_Extensions> gives better results.)
623
624 The difference between these two properties involves characters that are
625 used in multiple scripts.  For example the digits '0' through '9' are
626 used in many parts of the world.  These are placed in a script named
627 C<Common>.  Other characters are used in just a few scripts.  For
628 example, the C<"KATAKANA-HIRAGANA DOUBLE HYPHEN"> is used in both Japanese
629 scripts, Katakana and Hiragana, but nowhere else.  The C<Script>
630 property places all characters that are used in multiple scripts in the
631 C<Common> script, while the C<Script_Extensions> property places those
632 that are used in only a few scripts into each of those scripts; while
633 still using C<Common> for those used in many scripts.  Thus both these
634 match:
635
636  "0" =~ /\p{sc=Common}/     # Matches
637  "0" =~ /\p{scx=Common}/    # Matches
638
639 and only the first of these match:
640
641  "\N{KATAKANA-HIRAGANA DOUBLE HYPHEN}" =~ /\p{sc=Common}  # Matches
642  "\N{KATAKANA-HIRAGANA DOUBLE HYPHEN}" =~ /\p{scx=Common} # No match
643
644 And only the last two of these match:
645
646  "\N{KATAKANA-HIRAGANA DOUBLE HYPHEN}" =~ /\p{sc=Hiragana}  # No match
647  "\N{KATAKANA-HIRAGANA DOUBLE HYPHEN}" =~ /\p{sc=Katakana}  # No match
648  "\N{KATAKANA-HIRAGANA DOUBLE HYPHEN}" =~ /\p{scx=Hiragana} # Matches
649  "\N{KATAKANA-HIRAGANA DOUBLE HYPHEN}" =~ /\p{scx=Katakana} # Matches
650
651 C<Script_Extensions> is thus an improved C<Script>, in which there are
652 fewer characters in the C<Common> script, and correspondingly more in
653 other scripts.  It is new in Unicode version 6.0, and its data are likely
654 to change significantly in later releases, as things get sorted out.
655 New code should probably be using C<Script_Extensions> and not plain
656 C<Script>.  If you compile perl with a Unicode release that doesn't have
657 C<Script_Extensions>, the single form Perl extensions will instead refer
658 to the plain C<Script> property.  If you compile with a version of
659 Unicode that doesn't have the C<Script> property, these extensions will
660 not be defined at all.
661
662 (Actually, besides C<Common>, the C<Inherited> script, contains
663 characters that are used in multiple scripts.  These are modifier
664 characters which inherit the script value
665 of the controlling character.  Some of these are used in many scripts,
666 and so go into C<Inherited> in both C<Script> and C<Script_Extensions>.
667 Others are used in just a few scripts, so are in C<Inherited> in
668 C<Script>, but not in C<Script_Extensions>.)
669
670 It is worth stressing that there are several different sets of digits in
671 Unicode that are equivalent to 0-9 and are matchable by C<\d> in a
672 regular expression.  If they are used in a single language only, they
673 are in that language's C<Script> and C<Script_Extensions>.  If they are
674 used in more than one script, they will be in C<sc=Common>, but only
675 if they are used in many scripts should they be in C<scx=Common>.
676
677 The explanation above has omitted some detail; refer to UAX#24 "Unicode
678 Script Property": L<http://www.unicode.org/reports/tr24>.
679
680 A complete list of scripts and their shortcuts is in L<perluniprops>.
681
682 =head3 B<Use of the C<"Is"> Prefix>
683
684 For backward compatibility (with ancient Perl 5.6), all properties writable
685 without using the compound form mentioned
686 so far may have C<Is> or C<Is_> prepended to their name, so C<\P{Is_Lu}>, for
687 example, is equal to C<\P{Lu}>, and C<\p{IsScript:Arabic}> is equal to
688 C<\p{Arabic}>.
689
690 =head3 B<Blocks>
691
692 In addition to B<scripts>, Unicode also defines B<blocks> of
693 characters.  The difference between scripts and blocks is that the
694 concept of scripts is closer to natural languages, while the concept
695 of blocks is more of an artificial grouping based on groups of Unicode
696 characters with consecutive ordinal values. For example, the C<"Basic Latin">
697 block is all the characters whose ordinals are between 0 and 127, inclusive; in
698 other words, the ASCII characters.  The C<"Latin"> script contains some letters
699 from this as well as several other blocks, like C<"Latin-1 Supplement">,
700 C<"Latin Extended-A">, I<etc.>, but it does not contain all the characters from
701 those blocks. It does not, for example, contain the digits 0-9, because
702 those digits are shared across many scripts, and hence are in the
703 C<Common> script.
704
705 For more about scripts versus blocks, see UAX#24 "Unicode Script Property":
706 L<http://www.unicode.org/reports/tr24>
707
708 The C<Script_Extensions> or C<Script> properties are likely to be the
709 ones you want to use when processing
710 natural language; the C<Block> property may occasionally be useful in working
711 with the nuts and bolts of Unicode.
712
713 Block names are matched in the compound form, like C<\p{Block: Arrows}> or
714 C<\p{Blk=Hebrew}>.  Unlike most other properties, only a few block names have a
715 Unicode-defined short name.
716
717 Perl also defines single form synonyms for the block property in cases
718 where these do not conflict with something else.  But don't use any of
719 these, because they are unstable.  Since these are Perl extensions, they
720 are subordinate to official Unicode property names; Unicode doesn't know
721 nor care about Perl's extensions.  It may happen that a name that
722 currently means the Perl extension will later be changed without warning
723 to mean a different Unicode property in a future version of the perl
724 interpreter that uses a later Unicode release, and your code would no
725 longer work.  The extensions are mentioned here for completeness:  Take
726 the block name and prefix it with one of: C<In> (for example
727 C<\p{Blk=Arrows}> can currently be written as C<\p{In_Arrows}>); or
728 sometimes C<Is> (like C<\p{Is_Arrows}>); or sometimes no prefix at all
729 (C<\p{Arrows}>).  As of this writing (Unicode 9.0) there are no
730 conflicts with using the C<In_> prefix, but there are plenty with the
731 other two forms.  For example, C<\p{Is_Hebrew}> and C<\p{Hebrew}> mean
732 C<\p{Script_Extensions=Hebrew}> which is NOT the same thing as
733 C<\p{Blk=Hebrew}>.  Our
734 advice used to be to use the C<In_> prefix as a single form way of
735 specifying a block.  But Unicode 8.0 added properties whose names begin
736 with C<In>, and it's now clear that it's only luck that's so far
737 prevented a conflict.  Using C<In> is only marginally less typing than
738 C<Blk:>, and the latter's meaning is clearer anyway, and guaranteed to
739 never conflict.  So don't take chances.  Use C<\p{Blk=foo}> for new
740 code.  And be sure that block is what you really really want to do.  In
741 most cases scripts are what you want instead.
742
743 A complete list of blocks is in L<perluniprops>.
744
745 =head3 B<Other Properties>
746
747 There are many more properties than the very basic ones described here.
748 A complete list is in L<perluniprops>.
749
750 Unicode defines all its properties in the compound form, so all single-form
751 properties are Perl extensions.  Most of these are just synonyms for the
752 Unicode ones, but some are genuine extensions, including several that are in
753 the compound form.  And quite a few of these are actually recommended by Unicode
754 (in L<http://www.unicode.org/reports/tr18>).
755
756 This section gives some details on all extensions that aren't just
757 synonyms for compound-form Unicode properties
758 (for those properties, you'll have to refer to the
759 L<Unicode Standard|http://www.unicode.org/reports/tr44>.
760
761 =over
762
763 =item B<C<\p{All}>>
764
765 This matches every possible code point.  It is equivalent to C<qr/./s>.
766 Unlike all the other non-user-defined C<\p{}> property matches, no
767 warning is ever generated if this is property is matched against a
768 non-Unicode code point (see L</Beyond Unicode code points> below).
769
770 =item B<C<\p{Alnum}>>
771
772 This matches any C<\p{Alphabetic}> or C<\p{Decimal_Number}> character.
773
774 =item B<C<\p{Any}>>
775
776 This matches any of the 1_114_112 Unicode code points.  It is a synonym
777 for C<\p{Unicode}>.
778
779 =item B<C<\p{ASCII}>>
780
781 This matches any of the 128 characters in the US-ASCII character set,
782 which is a subset of Unicode.
783
784 =item B<C<\p{Assigned}>>
785
786 This matches any assigned code point; that is, any code point whose L<general
787 category|/General_Category> is not C<Unassigned> (or equivalently, not C<Cn>).
788
789 =item B<C<\p{Blank}>>
790
791 This is the same as C<\h> and C<\p{HorizSpace}>:  A character that changes the
792 spacing horizontally.
793
794 =item B<C<\p{Decomposition_Type: Non_Canonical}>>    (Short: C<\p{Dt=NonCanon}>)
795
796 Matches a character that has a non-canonical decomposition.
797
798 The L</Extended Grapheme Clusters (Logical characters)> section above
799 talked about canonical decompositions.  However, many more characters
800 have a different type of decomposition, a "compatible" or
801 "non-canonical" decomposition.  The sequences that form these
802 decompositions are not considered canonically equivalent to the
803 pre-composed character.  An example is the C<"SUPERSCRIPT ONE">.  It is
804 somewhat like a regular digit 1, but not exactly; its decomposition into
805 the digit 1 is called a "compatible" decomposition, specifically a
806 "super" decomposition.  There are several such compatibility
807 decompositions (see L<http://www.unicode.org/reports/tr44>), including
808 one called "compat", which means some miscellaneous type of
809 decomposition that doesn't fit into the other decomposition categories
810 that Unicode has chosen.
811
812 Note that most Unicode characters don't have a decomposition, so their
813 decomposition type is C<"None">.
814
815 For your convenience, Perl has added the C<Non_Canonical> decomposition
816 type to mean any of the several compatibility decompositions.
817
818 =item B<C<\p{Graph}>>
819
820 Matches any character that is graphic.  Theoretically, this means a character
821 that on a printer would cause ink to be used.
822
823 =item B<C<\p{HorizSpace}>>
824
825 This is the same as C<\h> and C<\p{Blank}>:  a character that changes the
826 spacing horizontally.
827
828 =item B<C<\p{In=*}>>
829
830 This is a synonym for C<\p{Present_In=*}>
831
832 =item B<C<\p{PerlSpace}>>
833
834 This is the same as C<\s>, restricted to ASCII, namely C<S<[ \f\n\r\t]>>
835 and starting in Perl v5.18, a vertical tab.
836
837 Mnemonic: Perl's (original) space
838
839 =item B<C<\p{PerlWord}>>
840
841 This is the same as C<\w>, restricted to ASCII, namely C<[A-Za-z0-9_]>
842
843 Mnemonic: Perl's (original) word.
844
845 =item B<C<\p{Posix...}>>
846
847 There are several of these, which are equivalents, using the C<\p{}>
848 notation, for Posix classes and are described in
849 L<perlrecharclass/POSIX Character Classes>.
850
851 =item B<C<\p{Present_In: *}>>    (Short: C<\p{In=*}>)
852
853 This property is used when you need to know in what Unicode version(s) a
854 character is.
855
856 The "*" above stands for some two digit Unicode version number, such as
857 C<1.1> or C<4.0>; or the "*" can also be C<Unassigned>.  This property will
858 match the code points whose final disposition has been settled as of the
859 Unicode release given by the version number; C<\p{Present_In: Unassigned}>
860 will match those code points whose meaning has yet to be assigned.
861
862 For example, C<U+0041> C<"LATIN CAPITAL LETTER A"> was present in the very first
863 Unicode release available, which is C<1.1>, so this property is true for all
864 valid "*" versions.  On the other hand, C<U+1EFF> was not assigned until version
865 5.1 when it became C<"LATIN SMALL LETTER Y WITH LOOP">, so the only "*" that
866 would match it are 5.1, 5.2, and later.
867
868 Unicode furnishes the C<Age> property from which this is derived.  The problem
869 with Age is that a strict interpretation of it (which Perl takes) has it
870 matching the precise release a code point's meaning is introduced in.  Thus
871 C<U+0041> would match only 1.1; and C<U+1EFF> only 5.1.  This is not usually what
872 you want.
873
874 Some non-Perl implementations of the Age property may change its meaning to be
875 the same as the Perl C<Present_In> property; just be aware of that.
876
877 Another confusion with both these properties is that the definition is not
878 that the code point has been I<assigned>, but that the meaning of the code point
879 has been I<determined>.  This is because 66 code points will always be
880 unassigned, and so the C<Age> for them is the Unicode version in which the decision
881 to make them so was made.  For example, C<U+FDD0> is to be permanently
882 unassigned to a character, and the decision to do that was made in version 3.1,
883 so C<\p{Age=3.1}> matches this character, as also does C<\p{Present_In: 3.1}> and up.
884
885 =item B<C<\p{Print}>>
886
887 This matches any character that is graphical or blank, except controls.
888
889 =item B<C<\p{SpacePerl}>>
890
891 This is the same as C<\s>, including beyond ASCII.
892
893 Mnemonic: Space, as modified by Perl.  (It doesn't include the vertical tab
894 until v5.18, which both the Posix standard and Unicode consider white space.)
895
896 =item B<C<\p{Title}>> and  B<C<\p{Titlecase}>>
897
898 Under case-sensitive matching, these both match the same code points as
899 C<\p{General Category=Titlecase_Letter}> (C<\p{gc=lt}>).  The difference
900 is that under C</i> caseless matching, these match the same as
901 C<\p{Cased}>, whereas C<\p{gc=lt}> matches C<\p{Cased_Letter>).
902
903 =item B<C<\p{Unicode}>>
904
905 This matches any of the 1_114_112 Unicode code points.
906 C<\p{Any}>.
907
908 =item B<C<\p{VertSpace}>>
909
910 This is the same as C<\v>:  A character that changes the spacing vertically.
911
912 =item B<C<\p{Word}>>
913
914 This is the same as C<\w>, including over 100_000 characters beyond ASCII.
915
916 =item B<C<\p{XPosix...}>>
917
918 There are several of these, which are the standard Posix classes
919 extended to the full Unicode range.  They are described in
920 L<perlrecharclass/POSIX Character Classes>.
921
922 =back
923
924
925 =head2 User-Defined Character Properties
926
927 You can define your own binary character properties by defining subroutines
928 whose names begin with C<"In"> or C<"Is">.  (The experimental feature
929 L<perlre/(?[ ])> provides an alternative which allows more complex
930 definitions.)  The subroutines can be defined in any
931 package.  The user-defined properties can be used in the regular expression
932 C<\p{}> and C<\P{}> constructs; if you are using a user-defined property from a
933 package other than the one you are in, you must specify its package in the
934 C<\p{}> or C<\P{}> construct.
935
936     # assuming property Is_Foreign defined in Lang::
937     package main;  # property package name required
938     if ($txt =~ /\p{Lang::IsForeign}+/) { ... }
939
940     package Lang;  # property package name not required
941     if ($txt =~ /\p{IsForeign}+/) { ... }
942
943
944 Note that the effect is compile-time and immutable once defined.
945 However, the subroutines are passed a single parameter, which is 0 if
946 case-sensitive matching is in effect and non-zero if caseless matching
947 is in effect.  The subroutine may return different values depending on
948 the value of the flag, and one set of values will immutably be in effect
949 for all case-sensitive matches, and the other set for all case-insensitive
950 matches.
951
952 Note that if the regular expression is tainted, then Perl will die rather
953 than calling the subroutine when the name of the subroutine is
954 determined by the tainted data.
955
956 The subroutines must return a specially-formatted string, with one
957 or more newline-separated lines.  Each line must be one of the following:
958
959 =over 4
960
961 =item *
962
963 A single hexadecimal number denoting a code point to include.
964
965 =item *
966
967 Two hexadecimal numbers separated by horizontal whitespace (space or
968 tabular characters) denoting a range of code points to include.  The
969 second number must not be smaller than the first.
970
971 =item *
972
973 Something to include, prefixed by C<"+">: a built-in character
974 property (prefixed by C<"utf8::">) or a fully qualified (including package
975 name) user-defined character property,
976 to represent all the characters in that property; two hexadecimal code
977 points for a range; or a single hexadecimal code point.
978
979 =item *
980
981 Something to exclude, prefixed by C<"-">: an existing character
982 property (prefixed by C<"utf8::">) or a fully qualified (including package
983 name) user-defined character property,
984 to represent all the characters in that property; two hexadecimal code
985 points for a range; or a single hexadecimal code point.
986
987 =item *
988
989 Something to negate, prefixed C<"!">: an existing character
990 property (prefixed by C<"utf8::">) or a fully qualified (including package
991 name) user-defined character property,
992 to represent all the characters in that property; two hexadecimal code
993 points for a range; or a single hexadecimal code point.
994
995 =item *
996
997 Something to intersect with, prefixed by C<"&">: an existing character
998 property (prefixed by C<"utf8::">) or a fully qualified (including package
999 name) user-defined character property,
1000 for all the characters except the characters in the property; two
1001 hexadecimal code points for a range; or a single hexadecimal code point.
1002
1003 =back
1004
1005 For example, to define a property that covers both the Japanese
1006 syllabaries (hiragana and katakana), you can define
1007
1008     sub InKana {
1009         return <<END;
1010     3040\t309F
1011     30A0\t30FF
1012     END
1013     }
1014
1015 Imagine that the here-doc end marker is at the beginning of the line.
1016 Now you can use C<\p{InKana}> and C<\P{InKana}>.
1017
1018 You could also have used the existing block property names:
1019
1020     sub InKana {
1021         return <<'END';
1022     +utf8::InHiragana
1023     +utf8::InKatakana
1024     END
1025     }
1026
1027 Suppose you wanted to match only the allocated characters,
1028 not the raw block ranges: in other words, you want to remove
1029 the unassigned characters:
1030
1031     sub InKana {
1032         return <<'END';
1033     +utf8::InHiragana
1034     +utf8::InKatakana
1035     -utf8::IsCn
1036     END
1037     }
1038
1039 The negation is useful for defining (surprise!) negated classes.
1040
1041     sub InNotKana {
1042         return <<'END';
1043     !utf8::InHiragana
1044     -utf8::InKatakana
1045     +utf8::IsCn
1046     END
1047     }
1048
1049 This will match all non-Unicode code points, since every one of them is
1050 not in Kana.  You can use intersection to exclude these, if desired, as
1051 this modified example shows:
1052
1053     sub InNotKana {
1054         return <<'END';
1055     !utf8::InHiragana
1056     -utf8::InKatakana
1057     +utf8::IsCn
1058     &utf8::Any
1059     END
1060     }
1061
1062 C<&utf8::Any> must be the last line in the definition.
1063
1064 Intersection is used generally for getting the common characters matched
1065 by two (or more) classes.  It's important to remember not to use C<"&"> for
1066 the first set; that would be intersecting with nothing, resulting in an
1067 empty set.  (Similarly using C<"-"> for the first set does nothing).
1068
1069 Unlike non-user-defined C<\p{}> property matches, no warning is ever
1070 generated if these properties are matched against a non-Unicode code
1071 point (see L</Beyond Unicode code points> below).
1072
1073 =head2 User-Defined Case Mappings (for serious hackers only)
1074
1075 B<This feature has been removed as of Perl 5.16.>
1076 The CPAN module C<L<Unicode::Casing>> provides better functionality without
1077 the drawbacks that this feature had.  If you are using a Perl earlier
1078 than 5.16, this feature was most fully documented in the 5.14 version of
1079 this pod:
1080 L<http://perldoc.perl.org/5.14.0/perlunicode.html#User-Defined-Case-Mappings-%28for-serious-hackers-only%29>
1081
1082 =head2 Character Encodings for Input and Output
1083
1084 See L<Encode>.
1085
1086 =head2 Unicode Regular Expression Support Level
1087
1088 The following list of Unicode supported features for regular expressions describes
1089 all features currently directly supported by core Perl.  The references
1090 to "Level I<N>" and the section numbers refer to
1091 L<UTS#18 "Unicode Regular Expressions"|http://www.unicode.org/reports/tr18>,
1092 version 13, November 2013.
1093
1094 =head3 Level 1 - Basic Unicode Support
1095
1096  RL1.1   Hex Notation                     - Done          [1]
1097  RL1.2   Properties                       - Done          [2]
1098  RL1.2a  Compatibility Properties         - Done          [3]
1099  RL1.3   Subtraction and Intersection     - Experimental  [4]
1100  RL1.4   Simple Word Boundaries           - Done          [5]
1101  RL1.5   Simple Loose Matches             - Done          [6]
1102  RL1.6   Line Boundaries                  - Partial       [7]
1103  RL1.7   Supplementary Code Points        - Done          [8]
1104
1105 =over 4
1106
1107 =item [1] C<\N{U+...}> and C<\x{...}>
1108
1109 =item [2]
1110 C<\p{...}> C<\P{...}>.  This requirement is for a minimal list of
1111 properties.  Perl supports these and all other Unicode character
1112 properties, as R2.7 asks (see L</"Unicode Character Properties"> above).
1113
1114 =item [3]
1115 Perl has C<\d> C<\D> C<\s> C<\S> C<\w> C<\W> C<\X> C<[:I<prop>:]>
1116 C<[:^I<prop>:]>, plus all the properties specified by
1117 L<http://www.unicode.org/reports/tr18/#Compatibility_Properties>.  These
1118 are described above in L</Other Properties>
1119
1120 =item [4]
1121
1122 The experimental feature C<"(?[...])"> starting in v5.18 accomplishes
1123 this.
1124
1125 See L<perlre/(?[ ])>.  If you don't want to use an experimental
1126 feature, you can use one of the following:
1127
1128 =over 4
1129
1130 =item *
1131 Regular expression lookahead
1132
1133 You can mimic class subtraction using lookahead.
1134 For example, what UTS#18 might write as
1135
1136     [{Block=Greek}-[{UNASSIGNED}]]
1137
1138 in Perl can be written as:
1139
1140     (?!\p{Unassigned})\p{Block=Greek}
1141     (?=\p{Assigned})\p{Block=Greek}
1142
1143 But in this particular example, you probably really want
1144
1145     \p{Greek}
1146
1147 which will match assigned characters known to be part of the Greek script.
1148
1149 =item *
1150
1151 CPAN module C<L<Unicode::Regex::Set>>
1152
1153 It does implement the full UTS#18 grouping, intersection, union, and
1154 removal (subtraction) syntax.
1155
1156 =item *
1157
1158 L</"User-Defined Character Properties">
1159
1160 C<"+"> for union, C<"-"> for removal (set-difference), C<"&"> for intersection
1161
1162 =back
1163
1164 =item [5]
1165 C<\b> C<\B> meet most, but not all, the details of this requirement, but
1166 C<\b{wb}> and C<\B{wb}> do, as well as the stricter R2.3.
1167
1168 =item [6]
1169
1170 Note that Perl does Full case-folding in matching, not Simple:
1171
1172 For example C<U+1F88> is equivalent to C<U+1F00 U+03B9>, instead of just
1173 C<U+1F80>.  This difference matters mainly for certain Greek capital
1174 letters with certain modifiers: the Full case-folding decomposes the
1175 letter, while the Simple case-folding would map it to a single
1176 character.
1177
1178 =item [7]
1179
1180 The reason this is considered to be only partially implemented is that
1181 Perl has L<C<qrE<sol>\b{lb}E<sol>>|perlrebackslash/\b{lb}> and
1182 C<L<Unicode::LineBreak>> that are conformant with
1183 L<UAX#14 "Unicode Line Breaking Algorithm"|http://www.unicode.org/reports/tr14>.
1184 The regular expression construct provides default behavior, while the
1185 heavier-weight module provides customizable line breaking.
1186
1187 But Perl treats C<\n> as the start- and end-line
1188 delimiter, whereas Unicode specifies more characters that should be
1189 so-interpreted.
1190
1191 These are:
1192
1193  VT   U+000B  (\v in C)
1194  FF   U+000C  (\f)
1195  CR   U+000D  (\r)
1196  NEL  U+0085
1197  LS   U+2028
1198  PS   U+2029
1199
1200 C<^> and C<$> in regular expression patterns are supposed to match all
1201 these, but don't.
1202 These characters also don't, but should, affect C<< <> >> C<$.>, and
1203 script line numbers.
1204
1205 Also, lines should not be split within C<CRLF> (i.e. there is no
1206 empty line between C<\r> and C<\n>).  For C<CRLF>, try the C<:crlf>
1207 layer (see L<PerlIO>).
1208
1209 =item [8]
1210 UTF-8/UTF-EBDDIC used in Perl allows not only C<U+10000> to
1211 C<U+10FFFF> but also beyond C<U+10FFFF>
1212
1213 =back
1214
1215 =head3 Level 2 - Extended Unicode Support
1216
1217  RL2.1   Canonical Equivalents           - Retracted     [9]
1218                                            by Unicode
1219  RL2.2   Extended Grapheme Clusters      - Partial       [10]
1220  RL2.3   Default Word Boundaries         - Done          [11]
1221  RL2.4   Default Case Conversion         - Done
1222  RL2.5   Name Properties                 - Done
1223  RL2.6   Wildcard Properties             - Missing
1224  RL2.7   Full Properties                 - Done
1225
1226 =over 4
1227
1228 =item [9]
1229 Unicode has rewritten this portion of UTS#18 to say that getting
1230 canonical equivalence (see UAX#15
1231 L<"Unicode Normalization Forms"|http://www.unicode.org/reports/tr15>)
1232 is basically to be done at the programmer level.  Use NFD to write
1233 both your regular expressions and text to match them against (you
1234 can use L<Unicode::Normalize>).
1235
1236 =item [10]
1237 Perl has C<\X> and C<\b{gcb}> but we don't have a "Grapheme Cluster Mode".
1238
1239 =item [11] see
1240 L<UAX#29 "Unicode Text Segmentation"|http://www.unicode.org/reports/tr29>,
1241
1242 =back
1243
1244 =head3 Level 3 - Tailored Support
1245
1246  RL3.1   Tailored Punctuation            - Missing
1247  RL3.2   Tailored Grapheme Clusters      - Missing       [12]
1248  RL3.3   Tailored Word Boundaries        - Missing
1249  RL3.4   Tailored Loose Matches          - Retracted by Unicode
1250  RL3.5   Tailored Ranges                 - Retracted by Unicode
1251  RL3.6   Context Matching                - Missing       [13]
1252  RL3.7   Incremental Matches             - Missing
1253  RL3.8   Unicode Set Sharing             - Unicode is proposing
1254                                            to retract this
1255  RL3.9   Possible Match Sets             - Missing
1256  RL3.10  Folded Matching                 - Retracted by Unicode
1257  RL3.11  Submatchers                     - Missing
1258
1259 =over 4
1260
1261 =item [12]
1262 Perl has L<Unicode::Collate>, but it isn't integrated with regular
1263 expressions.  See
1264 L<UTS#10 "Unicode Collation Algorithms"|http://www.unicode.org/reports/tr10>.
1265
1266 =item [13]
1267 Perl has C<(?<=x)> and C<(?=x)>, but lookaheads or lookbehinds should
1268 see outside of the target substring
1269
1270 =back
1271
1272 =head2 Unicode Encodings
1273
1274 Unicode characters are assigned to I<code points>, which are abstract
1275 numbers.  To use these numbers, various encodings are needed.
1276
1277 =over 4
1278
1279 =item *
1280
1281 UTF-8
1282
1283 UTF-8 is a variable-length (1 to 4 bytes), byte-order independent
1284 encoding.  In most of Perl's documentation, including elsewhere in this
1285 document, the term "UTF-8" means also "UTF-EBCDIC".  But in this section,
1286 "UTF-8" refers only to the encoding used on ASCII platforms.  It is a
1287 superset of 7-bit US-ASCII, so anything encoded in ASCII has the
1288 identical representation when encoded in UTF-8.
1289
1290 The following table is from Unicode 3.2.
1291
1292  Code Points            1st Byte  2nd Byte  3rd Byte 4th Byte
1293
1294    U+0000..U+007F       00..7F
1295    U+0080..U+07FF     * C2..DF    80..BF
1296    U+0800..U+0FFF       E0      * A0..BF    80..BF
1297    U+1000..U+CFFF       E1..EC    80..BF    80..BF
1298    U+D000..U+D7FF       ED        80..9F    80..BF
1299    U+D800..U+DFFF       +++++ utf16 surrogates, not legal utf8 +++++
1300    U+E000..U+FFFF       EE..EF    80..BF    80..BF
1301   U+10000..U+3FFFF      F0      * 90..BF    80..BF    80..BF
1302   U+40000..U+FFFFF      F1..F3    80..BF    80..BF    80..BF
1303  U+100000..U+10FFFF     F4        80..8F    80..BF    80..BF
1304
1305 Note the gaps marked by "*" before several of the byte entries above.  These are
1306 caused by legal UTF-8 avoiding non-shortest encodings: it is technically
1307 possible to UTF-8-encode a single code point in different ways, but that is
1308 explicitly forbidden, and the shortest possible encoding should always be used
1309 (and that is what Perl does).
1310
1311 Another way to look at it is via bits:
1312
1313                 Code Points  1st Byte  2nd Byte  3rd Byte  4th Byte
1314
1315                    0aaaaaaa  0aaaaaaa
1316            00000bbbbbaaaaaa  110bbbbb  10aaaaaa
1317            ccccbbbbbbaaaaaa  1110cccc  10bbbbbb  10aaaaaa
1318  00000dddccccccbbbbbbaaaaaa  11110ddd  10cccccc  10bbbbbb  10aaaaaa
1319
1320 As you can see, the continuation bytes all begin with C<"10">, and the
1321 leading bits of the start byte tell how many bytes there are in the
1322 encoded character.
1323
1324 The original UTF-8 specification allowed up to 6 bytes, to allow
1325 encoding of numbers up to C<0x7FFF_FFFF>.  Perl continues to allow those,
1326 and has extended that up to 13 bytes to encode code points up to what
1327 can fit in a 64-bit word.  However, Perl will warn if you output any of
1328 these as being non-portable; and under strict UTF-8 input protocols,
1329 they are forbidden.  In addition, it is deprecated to use a code point
1330 larger than what a signed integer variable on your system can hold.  On
1331 32-bit ASCII systems, this means C<0x7FFF_FFFF> is the legal maximum
1332 going forward (much higher on 64-bit systems).
1333
1334 =item *
1335
1336 UTF-EBCDIC
1337
1338 Like UTF-8, but EBCDIC-safe, in the way that UTF-8 is ASCII-safe.
1339 This means that all the basic characters (which includes all
1340 those that have ASCII equivalents (like C<"A">, C<"0">, C<"%">, I<etc.>)
1341 are the same in both EBCDIC and UTF-EBCDIC.)
1342
1343 UTF-EBCDIC is used on EBCDIC platforms.  It generally requires more
1344 bytes to represent a given code point than UTF-8 does; the largest
1345 Unicode code points take 5 bytes to represent (instead of 4 in UTF-8),
1346 and, extended for 64-bit words, it uses 14 bytes instead of 13 bytes in
1347 UTF-8.
1348
1349 =item *
1350
1351 UTF-16, UTF-16BE, UTF-16LE, Surrogates, and C<BOM>'s (Byte Order Marks)
1352
1353 The followings items are mostly for reference and general Unicode
1354 knowledge, Perl doesn't use these constructs internally.
1355
1356 Like UTF-8, UTF-16 is a variable-width encoding, but where
1357 UTF-8 uses 8-bit code units, UTF-16 uses 16-bit code units.
1358 All code points occupy either 2 or 4 bytes in UTF-16: code points
1359 C<U+0000..U+FFFF> are stored in a single 16-bit unit, and code
1360 points C<U+10000..U+10FFFF> in two 16-bit units.  The latter case is
1361 using I<surrogates>, the first 16-bit unit being the I<high
1362 surrogate>, and the second being the I<low surrogate>.
1363
1364 Surrogates are code points set aside to encode the C<U+10000..U+10FFFF>
1365 range of Unicode code points in pairs of 16-bit units.  The I<high
1366 surrogates> are the range C<U+D800..U+DBFF> and the I<low surrogates>
1367 are the range C<U+DC00..U+DFFF>.  The surrogate encoding is
1368
1369     $hi = ($uni - 0x10000) / 0x400 + 0xD800;
1370     $lo = ($uni - 0x10000) % 0x400 + 0xDC00;
1371
1372 and the decoding is
1373
1374     $uni = 0x10000 + ($hi - 0xD800) * 0x400 + ($lo - 0xDC00);
1375
1376 Because of the 16-bitness, UTF-16 is byte-order dependent.  UTF-16
1377 itself can be used for in-memory computations, but if storage or
1378 transfer is required either UTF-16BE (big-endian) or UTF-16LE
1379 (little-endian) encodings must be chosen.
1380
1381 This introduces another problem: what if you just know that your data
1382 is UTF-16, but you don't know which endianness?  Byte Order Marks, or
1383 C<BOM>'s, are a solution to this.  A special character has been reserved
1384 in Unicode to function as a byte order marker: the character with the
1385 code point C<U+FEFF> is the C<BOM>.
1386
1387 The trick is that if you read a C<BOM>, you will know the byte order,
1388 since if it was written on a big-endian platform, you will read the
1389 bytes C<0xFE 0xFF>, but if it was written on a little-endian platform,
1390 you will read the bytes C<0xFF 0xFE>.  (And if the originating platform
1391 was writing in ASCII platform UTF-8, you will read the bytes
1392 C<0xEF 0xBB 0xBF>.)
1393
1394 The way this trick works is that the character with the code point
1395 C<U+FFFE> is not supposed to be in input streams, so the
1396 sequence of bytes C<0xFF 0xFE> is unambiguously "C<BOM>, represented in
1397 little-endian format" and cannot be C<U+FFFE>, represented in big-endian
1398 format".
1399
1400 Surrogates have no meaning in Unicode outside their use in pairs to
1401 represent other code points.  However, Perl allows them to be
1402 represented individually internally, for example by saying
1403 C<chr(0xD801)>, so that all code points, not just those valid for open
1404 interchange, are
1405 representable.  Unicode does define semantics for them, such as their
1406 C<L</General_Category>> is C<"Cs">.  But because their use is somewhat dangerous,
1407 Perl will warn (using the warning category C<"surrogate">, which is a
1408 sub-category of C<"utf8">) if an attempt is made
1409 to do things like take the lower case of one, or match
1410 case-insensitively, or to output them.  (But don't try this on Perls
1411 before 5.14.)
1412
1413 =item *
1414
1415 UTF-32, UTF-32BE, UTF-32LE
1416
1417 The UTF-32 family is pretty much like the UTF-16 family, except that
1418 the units are 32-bit, and therefore the surrogate scheme is not
1419 needed.  UTF-32 is a fixed-width encoding.  The C<BOM> signatures are
1420 C<0x00 0x00 0xFE 0xFF> for BE and C<0xFF 0xFE 0x00 0x00> for LE.
1421
1422 =item *
1423
1424 UCS-2, UCS-4
1425
1426 Legacy, fixed-width encodings defined by the ISO 10646 standard.  UCS-2 is a 16-bit
1427 encoding.  Unlike UTF-16, UCS-2 is not extensible beyond C<U+FFFF>,
1428 because it does not use surrogates.  UCS-4 is a 32-bit encoding,
1429 functionally identical to UTF-32 (the difference being that
1430 UCS-4 forbids neither surrogates nor code points larger than C<0x10_FFFF>).
1431
1432 =item *
1433
1434 UTF-7
1435
1436 A seven-bit safe (non-eight-bit) encoding, which is useful if the
1437 transport or storage is not eight-bit safe.  Defined by RFC 2152.
1438
1439 =back
1440
1441 =head2 Noncharacter code points
1442
1443 66 code points are set aside in Unicode as "noncharacter code points".
1444 These all have the C<Unassigned> (C<Cn>) C<L</General_Category>>, and
1445 no character will ever be assigned to any of them.  They are the 32 code
1446 points between C<U+FDD0> and C<U+FDEF> inclusive, and the 34 code
1447 points:
1448
1449  U+FFFE   U+FFFF
1450  U+1FFFE  U+1FFFF
1451  U+2FFFE  U+2FFFF
1452  ...
1453  U+EFFFE  U+EFFFF
1454  U+FFFFE  U+FFFFF
1455  U+10FFFE U+10FFFF
1456
1457 Until Unicode 7.0, the noncharacters were "B<forbidden> for use in open
1458 interchange of Unicode text data", so that code that processed those
1459 streams could use these code points as sentinels that could be mixed in
1460 with character data, and would always be distinguishable from that data.
1461 (Emphasis above and in the next paragraph are added in this document.)
1462
1463 Unicode 7.0 changed the wording so that they are "B<not recommended> for
1464 use in open interchange of Unicode text data".  The 7.0 Standard goes on
1465 to say:
1466
1467 =over 4
1468
1469 "If a noncharacter is received in open interchange, an application is
1470 not required to interpret it in any way.  It is good practice, however,
1471 to recognize it as a noncharacter and to take appropriate action, such
1472 as replacing it with C<U+FFFD> replacement character, to indicate the
1473 problem in the text.  It is not recommended to simply delete
1474 noncharacter code points from such text, because of the potential
1475 security issues caused by deleting uninterpreted characters.  (See
1476 conformance clause C7 in Section 3.2, Conformance Requirements, and
1477 L<Unicode Technical Report #36, "Unicode Security
1478 Considerations"|http://www.unicode.org/reports/tr36/#Substituting_for_Ill_Formed_Subsequences>)."
1479
1480 =back
1481
1482 This change was made because it was found that various commercial tools
1483 like editors, or for things like source code control, had been written
1484 so that they would not handle program files that used these code points,
1485 effectively precluding their use almost entirely!  And that was never
1486 the intent.  They've always been meant to be usable within an
1487 application, or cooperating set of applications, at will.
1488
1489 If you're writing code, such as an editor, that is supposed to be able
1490 to handle any Unicode text data, then you shouldn't be using these code
1491 points yourself, and instead allow them in the input.  If you need
1492 sentinels, they should instead be something that isn't legal Unicode.
1493 For UTF-8 data, you can use the bytes 0xC1 and 0xC2 as sentinels, as
1494 they never appear in well-formed UTF-8.  (There are equivalents for
1495 UTF-EBCDIC).  You can also store your Unicode code points in integer
1496 variables and use negative values as sentinels.
1497
1498 If you're not writing such a tool, then whether you accept noncharacters
1499 as input is up to you (though the Standard recommends that you not).  If
1500 you do strict input stream checking with Perl, these code points
1501 continue to be forbidden.  This is to maintain backward compatibility
1502 (otherwise potential security holes could open up, as an unsuspecting
1503 application that was written assuming the noncharacters would be
1504 filtered out before getting to it, could now, without warning, start
1505 getting them).  To do strict checking, you can use the layer
1506 C<:encoding('UTF-8')>.
1507
1508 Perl continues to warn (using the warning category C<"nonchar">, which
1509 is a sub-category of C<"utf8">) if an attempt is made to output
1510 noncharacters.
1511
1512 =head2 Beyond Unicode code points
1513
1514 The maximum Unicode code point is C<U+10FFFF>, and Unicode only defines
1515 operations on code points up through that.  But Perl works on code
1516 points up to the maximum permissible unsigned number available on the
1517 platform.  However, Perl will not accept these from input streams unless
1518 lax rules are being used, and will warn (using the warning category
1519 C<"non_unicode">, which is a sub-category of C<"utf8">) if any are output.
1520
1521 Since Unicode rules are not defined on these code points, if a
1522 Unicode-defined operation is done on them, Perl uses what we believe are
1523 sensible rules, while generally warning, using the C<"non_unicode">
1524 category.  For example, C<uc("\x{11_0000}")> will generate such a
1525 warning, returning the input parameter as its result, since Perl defines
1526 the uppercase of every non-Unicode code point to be the code point
1527 itself.  (All the case changing operations, not just uppercasing, work
1528 this way.)
1529
1530 The situation with matching Unicode properties in regular expressions,
1531 the C<\p{}> and C<\P{}> constructs, against these code points is not as
1532 clear cut, and how these are handled has changed as we've gained
1533 experience.
1534
1535 One possibility is to treat any match against these code points as
1536 undefined.  But since Perl doesn't have the concept of a match being
1537 undefined, it converts this to failing or C<FALSE>.  This is almost, but
1538 not quite, what Perl did from v5.14 (when use of these code points
1539 became generally reliable) through v5.18.  The difference is that Perl
1540 treated all C<\p{}> matches as failing, but all C<\P{}> matches as
1541 succeeding.
1542
1543 One problem with this is that it leads to unexpected, and confusing
1544 results in some cases:
1545
1546  chr(0x110000) =~ \p{ASCII_Hex_Digit=True}      # Failed on <= v5.18
1547  chr(0x110000) =~ \p{ASCII_Hex_Digit=False}     # Failed! on <= v5.18
1548
1549 That is, it treated both matches as undefined, and converted that to
1550 false (raising a warning on each).  The first case is the expected
1551 result, but the second is likely counterintuitive: "How could both be
1552 false when they are complements?"  Another problem was that the
1553 implementation optimized many Unicode property matches down to already
1554 existing simpler, faster operations, which don't raise the warning.  We
1555 chose to not forgo those optimizations, which help the vast majority of
1556 matches, just to generate a warning for the unlikely event that an
1557 above-Unicode code point is being matched against.
1558
1559 As a result of these problems, starting in v5.20, what Perl does is
1560 to treat non-Unicode code points as just typical unassigned Unicode
1561 characters, and matches accordingly.  (Note: Unicode has atypical
1562 unassigned code points.  For example, it has noncharacter code points,
1563 and ones that, when they do get assigned, are destined to be written
1564 Right-to-left, as Arabic and Hebrew are.  Perl assumes that no
1565 non-Unicode code point has any atypical properties.)
1566
1567 Perl, in most cases, will raise a warning when matching an above-Unicode
1568 code point against a Unicode property when the result is C<TRUE> for
1569 C<\p{}>, and C<FALSE> for C<\P{}>.  For example:
1570
1571  chr(0x110000) =~ \p{ASCII_Hex_Digit=True}      # Fails, no warning
1572  chr(0x110000) =~ \p{ASCII_Hex_Digit=False}     # Succeeds, with warning
1573
1574 In both these examples, the character being matched is non-Unicode, so
1575 Unicode doesn't define how it should match.  It clearly isn't an ASCII
1576 hex digit, so the first example clearly should fail, and so it does,
1577 with no warning.  But it is arguable that the second example should have
1578 an undefined, hence C<FALSE>, result.  So a warning is raised for it.
1579
1580 Thus the warning is raised for many fewer cases than in earlier Perls,
1581 and only when what the result is could be arguable.  It turns out that
1582 none of the optimizations made by Perl (or are ever likely to be made)
1583 cause the warning to be skipped, so it solves both problems of Perl's
1584 earlier approach.  The most commonly used property that is affected by
1585 this change is C<\p{Unassigned}> which is a short form for
1586 C<\p{General_Category=Unassigned}>.  Starting in v5.20, all non-Unicode
1587 code points are considered C<Unassigned>.  In earlier releases the
1588 matches failed because the result was considered undefined.
1589
1590 The only place where the warning is not raised when it might ought to
1591 have been is if optimizations cause the whole pattern match to not even
1592 be attempted.  For example, Perl may figure out that for a string to
1593 match a certain regular expression pattern, the string has to contain
1594 the substring C<"foobar">.  Before attempting the match, Perl may look
1595 for that substring, and if not found, immediately fail the match without
1596 actually trying it; so no warning gets generated even if the string
1597 contains an above-Unicode code point.
1598
1599 This behavior is more "Do what I mean" than in earlier Perls for most
1600 applications.  But it catches fewer issues for code that needs to be
1601 strictly Unicode compliant.  Therefore there is an additional mode of
1602 operation available to accommodate such code.  This mode is enabled if a
1603 regular expression pattern is compiled within the lexical scope where
1604 the C<"non_unicode"> warning class has been made fatal, say by:
1605
1606  use warnings FATAL => "non_unicode"
1607
1608 (see L<warnings>).  In this mode of operation, Perl will raise the
1609 warning for all matches against a non-Unicode code point (not just the
1610 arguable ones), and it skips the optimizations that might cause the
1611 warning to not be output.  (It currently still won't warn if the match
1612 isn't even attempted, like in the C<"foobar"> example above.)
1613
1614 In summary, Perl now normally treats non-Unicode code points as typical
1615 Unicode unassigned code points for regular expression matches, raising a
1616 warning only when it is arguable what the result should be.  However, if
1617 this warning has been made fatal, it isn't skipped.
1618
1619 There is one exception to all this.  C<\p{All}> looks like a Unicode
1620 property, but it is a Perl extension that is defined to be true for all
1621 possible code points, Unicode or not, so no warning is ever generated
1622 when matching this against a non-Unicode code point.  (Prior to v5.20,
1623 it was an exact synonym for C<\p{Any}>, matching code points C<0>
1624 through C<0x10FFFF>.)
1625
1626 =head2 Security Implications of Unicode
1627
1628 First, read
1629 L<Unicode Security Considerations|http://www.unicode.org/reports/tr36>.
1630
1631 Also, note the following:
1632
1633 =over 4
1634
1635 =item *
1636
1637 Malformed UTF-8
1638
1639 UTF-8 is very structured, so many combinations of bytes are invalid.  In
1640 the past, Perl tried to soldier on and make some sense of invalid
1641 combinations, but this can lead to security holes, so now, if the Perl
1642 core needs to process an invalid combination, it will either raise a
1643 fatal error, or will replace those bytes by the sequence that forms the
1644 Unicode REPLACEMENT CHARACTER, for which purpose Unicode created it.
1645
1646 Every code point can be represented by more than one possible
1647 syntactically valid UTF-8 sequence.  Early on, both Unicode and Perl
1648 considered any of these to be valid, but now, all sequences longer
1649 than the shortest possible one are considered to be malformed.
1650
1651 Unicode considers many code points to be illegal, or to be avoided.
1652 Perl generally accepts them, once they have passed through any input
1653 filters that may try to exclude them.  These have been discussed above
1654 (see "Surrogates" under UTF-16 in L</Unicode Encodings>,
1655 L</Noncharacter code points>, and L</Beyond Unicode code points>).
1656
1657 =item *
1658
1659 Regular expression pattern matching may surprise you if you're not
1660 accustomed to Unicode.  Starting in Perl 5.14, several pattern
1661 modifiers are available to control this, called the character set
1662 modifiers.  Details are given in L<perlre/Character set modifiers>.
1663
1664 =back
1665
1666 As discussed elsewhere, Perl has one foot (two hooves?) planted in
1667 each of two worlds: the old world of ASCII and single-byte locales, and
1668 the new world of Unicode, upgrading when necessary.
1669 If your legacy code does not explicitly use Unicode, no automatic
1670 switch-over to Unicode should happen.
1671
1672 =head2 Unicode in Perl on EBCDIC
1673
1674 Unicode is supported on EBCDIC platforms.  See L<perlebcdic>.
1675
1676 Unless ASCII vs. EBCDIC issues are specifically being discussed,
1677 references to UTF-8 encoding in this document and elsewhere should be
1678 read as meaning UTF-EBCDIC on EBCDIC platforms.
1679 See L<perlebcdic/Unicode and UTF>.
1680
1681 Because UTF-EBCDIC is so similar to UTF-8, the differences are mostly
1682 hidden from you; S<C<use utf8>> (and NOT something like
1683 S<C<use utfebcdic>>) declares the script is in the platform's
1684 "native" 8-bit encoding of Unicode.  (Similarly for the C<":utf8">
1685 layer.)
1686
1687 =head2 Locales
1688
1689 See L<perllocale/Unicode and UTF-8>
1690
1691 =head2 When Unicode Does Not Happen
1692
1693 There are still many places where Unicode (in some encoding or
1694 another) could be given as arguments or received as results, or both in
1695 Perl, but it is not, in spite of Perl having extensive ways to input and
1696 output in Unicode, and a few other "entry points" like the C<@ARGV>
1697 array (which can sometimes be interpreted as UTF-8).
1698
1699 The following are such interfaces.  Also, see L</The "Unicode Bug">.
1700 For all of these interfaces Perl
1701 currently (as of v5.16.0) simply assumes byte strings both as arguments
1702 and results, or UTF-8 strings if the (deprecated) C<encoding> pragma has been used.
1703
1704 One reason that Perl does not attempt to resolve the role of Unicode in
1705 these situations is that the answers are highly dependent on the operating
1706 system and the file system(s).  For example, whether filenames can be
1707 in Unicode and in exactly what kind of encoding, is not exactly a
1708 portable concept.  Similarly for C<qx> and C<system>: how well will the
1709 "command-line interface" (and which of them?) handle Unicode?
1710
1711 =over 4
1712
1713 =item *
1714
1715 C<chdir>, C<chmod>, C<chown>, C<chroot>, C<exec>, C<link>, C<lstat>, C<mkdir>,
1716 C<rename>, C<rmdir>, C<stat>, C<symlink>, C<truncate>, C<unlink>, C<utime>, C<-X>
1717
1718 =item *
1719
1720 C<%ENV>
1721
1722 =item *
1723
1724 C<glob> (aka the C<E<lt>*E<gt>>)
1725
1726 =item *
1727
1728 C<open>, C<opendir>, C<sysopen>
1729
1730 =item *
1731
1732 C<qx> (aka the backtick operator), C<system>
1733
1734 =item *
1735
1736 C<readdir>, C<readlink>
1737
1738 =back
1739
1740 =head2 The "Unicode Bug"
1741
1742 The term, "Unicode bug" has been applied to an inconsistency with the
1743 code points in the C<Latin-1 Supplement> block, that is, between
1744 128 and 255.  Without a locale specified, unlike all other characters or
1745 code points, these characters can have very different semantics
1746 depending on the rules in effect.  (Characters whose code points are
1747 above 255 force Unicode rules; whereas the rules for ASCII characters
1748 are the same under both ASCII and Unicode rules.)
1749
1750 Under Unicode rules, these upper-Latin1 characters are interpreted as
1751 Unicode code points, which means they have the same semantics as Latin-1
1752 (ISO-8859-1) and C1 controls.
1753
1754 As explained in L</ASCII Rules versus Unicode Rules>, under ASCII rules,
1755 they are considered to be unassigned characters.
1756
1757 This can lead to unexpected results.  For example, a string's
1758 semantics can suddenly change if a code point above 255 is appended to
1759 it, which changes the rules from ASCII to Unicode.  As an
1760 example, consider the following program and its output:
1761
1762  $ perl -le'
1763      no feature "unicode_strings";
1764      $s1 = "\xC2";
1765      $s2 = "\x{2660}";
1766      for ($s1, $s2, $s1.$s2) {
1767          print /\w/ || 0;
1768      }
1769  '
1770  0
1771  0
1772  1
1773
1774 If there's no C<\w> in C<s1> nor in C<s2>, why does their concatenation
1775 have one?
1776
1777 This anomaly stems from Perl's attempt to not disturb older programs that
1778 didn't use Unicode, along with Perl's desire to add Unicode support
1779 seamlessly.  But the result turned out to not be seamless.  (By the way,
1780 you can choose to be warned when things like this happen.  See
1781 C<L<encoding::warnings>>.)
1782
1783 L<S<C<use feature 'unicode_strings'>>|feature/The 'unicode_strings' feature>
1784 was added, starting in Perl v5.12, to address this problem.  It affects
1785 these things:
1786
1787 =over 4
1788
1789 =item *
1790
1791 Changing the case of a scalar, that is, using C<uc()>, C<ucfirst()>, C<lc()>,
1792 and C<lcfirst()>, or C<\L>, C<\U>, C<\u> and C<\l> in double-quotish
1793 contexts, such as regular expression substitutions.
1794
1795 Under C<unicode_strings> starting in Perl 5.12.0, Unicode rules are
1796 generally used.  See L<perlfunc/lc> for details on how this works
1797 in combination with various other pragmas.
1798
1799 =item *
1800
1801 Using caseless (C</i>) regular expression matching.
1802
1803 Starting in Perl 5.14.0, regular expressions compiled within
1804 the scope of C<unicode_strings> use Unicode rules
1805 even when executed or compiled into larger
1806 regular expressions outside the scope.
1807
1808 =item *
1809
1810 Matching any of several properties in regular expressions.
1811
1812 These properties are C<\b> (without braces), C<\B> (without braces),
1813 C<\s>, C<\S>, C<\w>, C<\W>, and all the Posix character classes
1814 I<except> C<[[:ascii:]]>.
1815
1816 Starting in Perl 5.14.0, regular expressions compiled within
1817 the scope of C<unicode_strings> use Unicode rules
1818 even when executed or compiled into larger
1819 regular expressions outside the scope.
1820
1821 =item *
1822
1823 In C<quotemeta> or its inline equivalent C<\Q>.
1824
1825 Starting in Perl 5.16.0, consistent quoting rules are used within the
1826 scope of C<unicode_strings>, as described in L<perlfunc/quotemeta>.
1827 Prior to that, or outside its scope, no code points above 127 are quoted
1828 in UTF-8 encoded strings, but in byte encoded strings, code points
1829 between 128-255 are always quoted.
1830
1831 =item *
1832
1833 In the C<..> or L<range|perlop/Range Operators> operator.
1834
1835 Starting in Perl 5.26.0, the range operator on strings treats their lengths
1836 consistently within the scope of C<unicode_strings>. Prior to that, or
1837 outside its scope, it could produce strings whose length in characters
1838 exceeded that of the right-hand side, where the right-hand side took up more
1839 bytes than the correct range endpoint.
1840
1841 =item *
1842
1843 In L<< C<split>'s special-case whitespace splitting|perlfunc/split >>.
1844
1845 Starting in Perl 5.28.0, the C<split> function with a pattern specified as
1846 a string containing a single space handles whitespace characters consistently
1847 within the scope of of C<unicode_strings>. Prior to that, or outside its scope,
1848 characters that are whitespace according to Unicode rules but not according to
1849 ASCII rules were treated as field contents rather than field separators when
1850 they appear in byte-encoded strings.
1851
1852 =back
1853
1854 You can see from the above that the effect of C<unicode_strings>
1855 increased over several Perl releases.  (And Perl's support for Unicode
1856 continues to improve; it's best to use the latest available release in
1857 order to get the most complete and accurate results possible.)  Note that
1858 C<unicode_strings> is automatically chosen if you S<C<use 5.012>> or
1859 higher.
1860
1861 For Perls earlier than those described above, or when a string is passed
1862 to a function outside the scope of C<unicode_strings>, see the next section.
1863
1864 =head2 Forcing Unicode in Perl (Or Unforcing Unicode in Perl)
1865
1866 Sometimes (see L</"When Unicode Does Not Happen"> or L</The "Unicode Bug">)
1867 there are situations where you simply need to force a byte
1868 string into UTF-8, or vice versa.  The standard module L<Encode> can be
1869 used for this, or the low-level calls
1870 L<C<utf8::upgrade($bytestring)>|utf8/Utility functions> and
1871 L<C<utf8::downgrade($utf8string[, FAIL_OK])>|utf8/Utility functions>.
1872
1873 Note that C<utf8::downgrade()> can fail if the string contains characters
1874 that don't fit into a byte.
1875
1876 Calling either function on a string that already is in the desired state is a
1877 no-op.
1878
1879 L</ASCII Rules versus Unicode Rules> gives all the ways that a string is
1880 made to use Unicode rules.
1881
1882 =head2 Using Unicode in XS
1883
1884 See L<perlguts/"Unicode Support"> for an introduction to Unicode at
1885 the XS level, and L<perlapi/Unicode Support> for the API details.
1886
1887 =head2 Hacking Perl to work on earlier Unicode versions (for very serious hackers only)
1888
1889 Perl by default comes with the latest supported Unicode version built-in, but
1890 the goal is to allow you to change to use any earlier one.  In Perls
1891 v5.20 and v5.22, however, the earliest usable version is Unicode 5.1.
1892 Perl v5.18 and v5.24 are able to handle all earlier versions.
1893
1894 Download the files in the desired version of Unicode from the Unicode web
1895 site L<http://www.unicode.org>).  These should replace the existing files in
1896 F<lib/unicore> in the Perl source tree.  Follow the instructions in
1897 F<README.perl> in that directory to change some of their names, and then build
1898 perl (see L<INSTALL>).
1899
1900 =head2 Porting code from perl-5.6.X
1901
1902 Perls starting in 5.8 have a different Unicode model from 5.6. In 5.6 the
1903 programmer was required to use the C<utf8> pragma to declare that a
1904 given scope expected to deal with Unicode data and had to make sure that
1905 only Unicode data were reaching that scope. If you have code that is
1906 working with 5.6, you will need some of the following adjustments to
1907 your code. The examples are written such that the code will continue to
1908 work under 5.6, so you should be safe to try them out.
1909
1910 =over 3
1911
1912 =item *
1913
1914 A filehandle that should read or write UTF-8
1915
1916   if ($] > 5.008) {
1917     binmode $fh, ":encoding(UTF-8)";
1918   }
1919
1920 =item *
1921
1922 A scalar that is going to be passed to some extension
1923
1924 Be it C<Compress::Zlib>, C<Apache::Request> or any extension that has no
1925 mention of Unicode in the manpage, you need to make sure that the
1926 UTF8 flag is stripped off. Note that at the time of this writing
1927 (January 2012) the mentioned modules are not UTF-8-aware. Please
1928 check the documentation to verify if this is still true.
1929
1930   if ($] > 5.008) {
1931     require Encode;
1932     $val = Encode::encode("UTF-8", $val); # make octets
1933   }
1934
1935 =item *
1936
1937 A scalar we got back from an extension
1938
1939 If you believe the scalar comes back as UTF-8, you will most likely
1940 want the UTF8 flag restored:
1941
1942   if ($] > 5.008) {
1943     require Encode;
1944     $val = Encode::decode("UTF-8", $val);
1945   }
1946
1947 =item *
1948
1949 Same thing, if you are really sure it is UTF-8
1950
1951   if ($] > 5.008) {
1952     require Encode;
1953     Encode::_utf8_on($val);
1954   }
1955
1956 =item *
1957
1958 A wrapper for L<DBI> C<fetchrow_array> and C<fetchrow_hashref>
1959
1960 When the database contains only UTF-8, a wrapper function or method is
1961 a convenient way to replace all your C<fetchrow_array> and
1962 C<fetchrow_hashref> calls. A wrapper function will also make it easier to
1963 adapt to future enhancements in your database driver. Note that at the
1964 time of this writing (January 2012), the DBI has no standardized way
1965 to deal with UTF-8 data. Please check the L<DBI documentation|DBI> to verify if
1966 that is still true.
1967
1968   sub fetchrow {
1969     # $what is one of fetchrow_{array,hashref}
1970     my($self, $sth, $what) = @_;
1971     if ($] < 5.008) {
1972       return $sth->$what;
1973     } else {
1974       require Encode;
1975       if (wantarray) {
1976         my @arr = $sth->$what;
1977         for (@arr) {
1978           defined && /[^\000-\177]/ && Encode::_utf8_on($_);
1979         }
1980         return @arr;
1981       } else {
1982         my $ret = $sth->$what;
1983         if (ref $ret) {
1984           for my $k (keys %$ret) {
1985             defined
1986             && /[^\000-\177]/
1987             && Encode::_utf8_on($_) for $ret->{$k};
1988           }
1989           return $ret;
1990         } else {
1991           defined && /[^\000-\177]/ && Encode::_utf8_on($_) for $ret;
1992           return $ret;
1993         }
1994       }
1995     }
1996   }
1997
1998
1999 =item *
2000
2001 A large scalar that you know can only contain ASCII
2002
2003 Scalars that contain only ASCII and are marked as UTF-8 are sometimes
2004 a drag to your program. If you recognize such a situation, just remove
2005 the UTF8 flag:
2006
2007   utf8::downgrade($val) if $] > 5.008;
2008
2009 =back
2010
2011 =head1 BUGS
2012
2013 See also L</The "Unicode Bug"> above.
2014
2015 =head2 Interaction with Extensions
2016
2017 When Perl exchanges data with an extension, the extension should be
2018 able to understand the UTF8 flag and act accordingly. If the
2019 extension doesn't recognize that flag, it's likely that the extension
2020 will return incorrectly-flagged data.
2021
2022 So if you're working with Unicode data, consult the documentation of
2023 every module you're using if there are any issues with Unicode data
2024 exchange. If the documentation does not talk about Unicode at all,
2025 suspect the worst and probably look at the source to learn how the
2026 module is implemented. Modules written completely in Perl shouldn't
2027 cause problems. Modules that directly or indirectly access code written
2028 in other programming languages are at risk.
2029
2030 For affected functions, the simple strategy to avoid data corruption is
2031 to always make the encoding of the exchanged data explicit. Choose an
2032 encoding that you know the extension can handle. Convert arguments passed
2033 to the extensions to that encoding and convert results back from that
2034 encoding. Write wrapper functions that do the conversions for you, so
2035 you can later change the functions when the extension catches up.
2036
2037 To provide an example, let's say the popular C<Foo::Bar::escape_html>
2038 function doesn't deal with Unicode data yet. The wrapper function
2039 would convert the argument to raw UTF-8 and convert the result back to
2040 Perl's internal representation like so:
2041
2042     sub my_escape_html ($) {
2043         my($what) = shift;
2044         return unless defined $what;
2045         Encode::decode("UTF-8", Foo::Bar::escape_html(
2046                                      Encode::encode("UTF-8", $what)));
2047     }
2048
2049 Sometimes, when the extension does not convert data but just stores
2050 and retrieves it, you will be able to use the otherwise
2051 dangerous L<C<Encode::_utf8_on()>|Encode/_utf8_on> function. Let's say
2052 the popular C<Foo::Bar> extension, written in C, provides a C<param>
2053 method that lets you store and retrieve data according to these prototypes:
2054
2055     $self->param($name, $value);            # set a scalar
2056     $value = $self->param($name);           # retrieve a scalar
2057
2058 If it does not yet provide support for any encoding, one could write a
2059 derived class with such a C<param> method:
2060
2061     sub param {
2062       my($self,$name,$value) = @_;
2063       utf8::upgrade($name);     # make sure it is UTF-8 encoded
2064       if (defined $value) {
2065         utf8::upgrade($value);  # make sure it is UTF-8 encoded
2066         return $self->SUPER::param($name,$value);
2067       } else {
2068         my $ret = $self->SUPER::param($name);
2069         Encode::_utf8_on($ret); # we know, it is UTF-8 encoded
2070         return $ret;
2071       }
2072     }
2073
2074 Some extensions provide filters on data entry/exit points, such as
2075 C<DB_File::filter_store_key> and family. Look out for such filters in
2076 the documentation of your extensions; they can make the transition to
2077 Unicode data much easier.
2078
2079 =head2 Speed
2080
2081 Some functions are slower when working on UTF-8 encoded strings than
2082 on byte encoded strings.  All functions that need to hop over
2083 characters such as C<length()>, C<substr()> or C<index()>, or matching
2084 regular expressions can work B<much> faster when the underlying data are
2085 byte-encoded.
2086
2087 In Perl 5.8.0 the slowness was often quite spectacular; in Perl 5.8.1
2088 a caching scheme was introduced which improved the situation.  In general,
2089 operations with UTF-8 encoded strings are still slower. As an example,
2090 the Unicode properties (character classes) like C<\p{Nd}> are known to
2091 be quite a bit slower (5-20 times) than their simpler counterparts
2092 like C<[0-9]> (then again, there are hundreds of Unicode characters matching
2093 C<Nd> compared with the 10 ASCII characters matching C<[0-9]>).
2094
2095 =head1 SEE ALSO
2096
2097 L<perlunitut>, L<perluniintro>, L<perluniprops>, L<Encode>, L<open>, L<utf8>, L<bytes>,
2098 L<perlretut>, L<perlvar/"${^UNICODE}">,
2099 L<http://www.unicode.org/reports/tr44>).
2100
2101 =cut