5.10.1

名前

perlunicode - Unicode support in Perl

perlunicode - Perl における Unicode サポート

説明

重要な警告

Unicode support is an extensive requirement. While Perl does not implement the Unicode standard or the accompanying technical reports from cover to cover, Perl does support many Unicode features.

Uncode サポートは大規模な要求です。 Perl は標準 Unicode や付随する技術的なレポートを一つ残らず 実装しているわけではありませんが、多くの Unicode 機能を サポートしています。

People who want to learn to use Unicode in Perl, should probably read the Perl Unicode tutorial, perlunitut, before reading this reference document.

Perl で Unicode を使うことを学びたい人は、多分このリファレンスを読む前に the Perl Unicode tutorial, perlunitut を 読んだ方がよいでしょう。

Input and Output Layers

(入出力層)

Perl knows when a filehandle uses Perl's internal Unicode encodings (UTF-8, or UTF-EBCDIC if in EBCDIC) if the filehandle is opened with the ":utf8" layer. Other encodings can be converted to Perl's encoding on input or from Perl's encoding on output by use of the ":encoding(...)" layer. See open.

Perl は、ファイルハンドルが ":utf8" 層を指定してオープンされると、 ファイルハンドルが Perl の内部 Unicode エンコーディング (UTF-8, または EBCDIC の時は UTF-EBCDIC) を使うことが分かります。 その他のエンコーディングは、":encoding(...)" 層を使うことで、 入力時の Perl のエンコーディングへの変換や出力時の Perl の エンコーディングからの変換を行えます。 open を参照してください。

To indicate that Perl source itself is in UTF-8, use use utf8;.

Perl のソース自身が UTF-8 であることを示すには、use utf8; を 使ってください。

Regular Expressions

(正規表現)

The regular expression compiler produces polymorphic opcodes. That is, the pattern adapts to the data and automatically switches to the Unicode character scheme when presented with data that is internally encoded in UTF-8 -- or instead uses a traditional byte scheme when presented with byte data.

正規表現コンパイラは多態的なオペコードを生成します。 つまり、パターンはデータに対して適用され、データが内部で UTF-8 で エンコードされている場合には Unicode 文字スキームに自動的に 切り替わります -- さもなければ、バイトデータで表されている場合には 伝統的なバイトスキームが使われます。

use utf8 still needed to enable UTF-8/UTF-EBCDIC in scripts

As a compatibility measure, the use utf8 pragma must be explicitly included to enable recognition of UTF-8 in the Perl scripts themselves (in string or regular expression literals, or in identifier names) on ASCII-based machines or to recognize UTF-EBCDIC on EBCDIC-based machines. These are the only times when an explicit use utf8 is needed. See utf8.

互換性のために、ASCII ベースのマシンにおいて Perl スクリプトそれ自身の 中の UTF-8 を(文字列や正規表現リテラル、あるいは変数名で) 認識可能に するためや、EBCDIC ベースのマシンで UTF-EBCDIC を認識させるために use utf8 プラグマを明示的に含めなければなりません。 これらは明示的に use utf8 が必要な唯一の場合です。 utf8 を参照してください。

BOM-marked scripts and UTF-16 scripts autodetected

If a Perl script begins marked with the Unicode BOM (UTF-16LE, UTF16-BE, or UTF-8), or if the script looks like non-BOM-marked UTF-16 of either endianness, Perl will correctly read in the script as Unicode. (BOMless UTF-8 cannot be effectively recognized or differentiated from ISO 8859-1 or other eight-bit encodings.)

Unicode BOM (UTF-16LE, UTF16-BE, またはUTF-8)で Perl スクリプトが 始まっていたり、スクリプトが BOM がついていない UTF-16(BE か LE のいずれか) であった場合、Perl はそのスクリプトを Unicode であるとして正しく読み込みます(BOM がない UTF-8 は、 効率的に ISO 8859-1 などの 8 ビットエンコーディングと区別したり 認識することができません。)

use encoding needed to upgrade non-Latin-1 byte strings

By default, there is a fundamental asymmetry in Perl's Unicode model: implicit upgrading from byte strings to Unicode strings assumes that they were encoded in ISO 8859-1 (Latin-1), but Unicode strings are downgraded with UTF-8 encoding. This happens because the first 256 codepoints in Unicode happens to agree with Latin-1.

デフォルトでは、Perl の Unicode モデルにおける基本的な非対称があります: バイト文字列から Unicode 文字列への暗黙の昇格はその文字列が ISO 8859-1 (Latin-1) でエンコードされているものと仮定しますが、 Unicode 文字列からのダウングレードは UTF-8 エンコーディングへと行われます。 これは Unicode の最初の 256 文字が Latin-1 と共通であるからです。

See "Byte and Character Semantics" for more details.

詳細は "Byte and Character Semantics" を参照してください。

バイトと文字のセマンティクス

Beginning with version 5.6, Perl uses logically-wide characters to represent strings internally.

バージョン 5.6 から、Perl は論理的なワイド文字を内部的な文字列の 表現のために使っています。

In future, Perl-level operations will be expected to work with characters rather than bytes.

将来は、Perl レベルの操作はバイトではなく文字に対して働くことになるでしょう。

However, as an interim compatibility measure, Perl aims to provide a safe migration path from byte semantics to character semantics for programs. For operations where Perl can unambiguously decide that the input data are characters, Perl switches to character semantics. For operations where this determination cannot be made without additional information from the user, Perl decides in favor of compatibility and chooses to use byte semantics.

しかしながら、一時的な互換性の措置として、Perl は プログラムに対するバイトセマンティクスから文字セマンティクスへの 安全な移行パスを提供することを目指します。 入力データが文字であると Perl が曖昧さなく決定できる操作については、 Perl は文字セマンティクスに切り替えます。 ユーザーからの付加的な情報抜きに決定することができない操作については Perl は互換性の観点からバイトセマンティクスを選択します。

Under byte semantics, when use locale is in effect, Perl uses the semantics associated with the current locale. Absent a use locale, Perl currently uses US-ASCII (or Basic Latin in Unicode terminology) byte semantics, meaning that characters whose ordinal numbers are in the range 128 - 255 are undefined except for their ordinal numbers. This means that none have case (upper and lower), nor are any a member of character classes, like [:alpha:] or \w. (But all do belong to the \W class or the Perl regular expression extension [:^alpha:].)

バイトセマンティクスでは、use locale が有効の場合、Perl は 現在のロケールに関連づけられたセマンティクスを使います。 use locale がない場合、Perl 現在のところ US-ASCII (または Unicode の 用語では Basic Latin) バイトセマンティクスを使います; つまり 番号 128 - 255 の範囲の文字は、その番号以外では未定義です。 つまり、大文字小文字はなく、[:alpha:]\w のような、 どの文字クラスにも含まれません。 (しかし \W クラスや Perl の正規表現拡張 [:^alpha:] には属します。)

This behavior preserves compatibility with earlier versions of Perl, which allowed byte semantics in Perl operations only if none of the program's inputs were marked as being as source of Unicode character data. Such data may come from filehandles, from calls to external programs, from information provided by the system (such as %ENV), or from literals and constants in the source text.

この動作は Perl の以前のバージョンとの互換性を維持し、プログラムの 入力が Unicode の文字データのソースであるとマークされていない場合にのみ Perl の操作でバイトセマンティクスを許可します。 そのようなデータは、ファイルハンドル、外部プログラムの呼び出し、 システムから提供される情報(%ENV のような)、ソーステキスト中のリテラルや 定数といったものからくるものです。

The bytes pragma will always, regardless of platform, force byte semantics in a particular lexical scope. See bytes.

bytes プラグマは常に、プラットフォームとは無関係に、特定の レキシカルスコープにおいてバイトセマンティクスを強制します。 bytes を参照してください。

The utf8 pragma is primarily a compatibility device that enables recognition of UTF-(8|EBCDIC) in literals encountered by the parser. Note that this pragma is only required while Perl defaults to byte semantics; when character semantics become the default, this pragma may become a no-op. See utf8.

utf8 プラグマは主としてパーサが遭遇するリテラル中の UTF-(8|EBCDIC) の 認識を有効にする互換デバイス(compatibility device)です。 このプラグマは Perl のデフォルトがバイトセマンティクスであるときにのみ 必要であることに注意してください。 文字セマンティクスがデフォルトである場合には、 このプラグマは何もしません。 utf8 を参照してください。

Unless explicitly stated, Perl operators use character semantics for Unicode data and byte semantics for non-Unicode data. The decision to use character semantics is made transparently. If input data comes from a Unicode source--for example, if a character encoding layer is added to a filehandle or a literal Unicode string constant appears in a program--character semantics apply. Otherwise, byte semantics are in effect. The bytes pragma should be used to force byte semantics on Unicode data.

明示的に指定されない限り、Perl の演算子は Unicode データに対しては 文字セマンティクスを用い、非 Unicode データに対しては バイトセマンティクスを用います。 文字セマンティクスの使用の決定はトランスペアレントに行われます。 もし入力データが Unicode ソースから来たもの -- たとえば、 文字エンコーディング層がファイルハンドルに附加されているか リテラルの Unicode 文字列定数がプログラムの中にある -- のであれば 文字セマンティクスが適用されます。 そうでなければ、バイトセマンティクスが有効になります。 bytes プラグマは Unicode データに対してバイトセマンティクスを 強制するときに使うと良いでしょう。

If strings operating under byte semantics and strings with Unicode character data are concatenated, the new string will have character semantics. This can cause surprises: See "BUGS", below

バイトセマンティクスの元での文字列の操作で、Unicode 文字データが 連結された文字列であった場合、新たな文字列は文字セマンティックスを 保ちます。 これは驚きを引き起こすかもしれません: 後述する "BUGS" を 参照してください。

Under character semantics, many operations that formerly operated on bytes now operate on characters. A character in Perl is logically just a number ranging from 0 to 2**31 or so. Larger characters may encode into longer sequences of bytes internally, but this internal detail is mostly hidden for Perl code. See perluniintro for more.

文字セマンティクスの元では、伝統的にバイトに対して働いていた操作の多くが 文字に対して働きます。 Perl における文字は論理的には 0 から 2**31 までの範囲の数値です。 大きな文字は内部的にはより長いシーケンスにエンコードされる可能性が ありますが、この内部の詳細は Perl プログラムからほとんど隠されています。 詳細は perluniintro を参照してください。

文字セマンティクスの効果

Character semantics have the following effects:

文字セマンティクスは以下の効果を持っています:

  • Strings--including hash keys--and regular expression patterns may contain characters that have an ordinal value larger than 255.

    文字列 -- ハッシュのキーを含め -- と正規表現パターンは序数値として 255 を 超える値を持つ文字を含めることができます。

    If you use a Unicode editor to edit your program, Unicode characters may occur directly within the literal strings in UTF-8 encoding, or UTF-16. (The former requires a BOM or use utf8, the latter requires a BOM.)

    プログラムを編集するのに Unicode エディタを使っているのであれば、Unicode の 文字 UTF-8 か UTF-16 のエンコーディングコーディングでリテラル文字列に 含めることができます。 (前者は BOM か use utf8 を必要とし、後者は BOM を必要とします。)

    Unicode characters can also be added to a string by using the \x{...} notation. The Unicode code for the desired character, in hexadecimal, should be placed in the braces. For instance, a smiley face is \x{263A}. This encoding scheme works for all characters, but for characters under 0x100, note that Perl may use an 8 bit encoding internally, for optimization and/or backward compatibility.

    Unicode の文字は \x{...} 表記を使うことにより文字列に 追加することもできます。 その表現される Unicode コードは、16 進でブレースに囲みます。 たとえば、smiley face は \x{263A} です。 このエンコーディングスキームは全ての文字で動作しますが、0x100 未満の 文字に関しては、Perl は最適化や後方互換性のために内部で 8 ビットエンコーディングを使うかもしれないことに注意してください。

    Additionally, if you

    これに加えて、

       use charnames ':full';

    you can use the \N{...} notation and put the official Unicode character name within the braces, such as \N{WHITE SMILING FACE}.

    とすると \N{...} 表記を使うことができ、公式な Unicode 文字名を \N{WHITE SMILING FACE} のようにブレースの中に置くことができます。

  • If an appropriate encoding is specified, identifiers within the Perl script may contain Unicode alphanumeric characters, including ideographs. Perl does not currently attempt to canonicalize variable names.

    適切な encoding が指定されていれば、Perl スクリプトの中の識別子で 表意文字を含めた Unicode の英数字を含めることができます。 Perl は現在、変数名を正規化しようとはしません。

  • Regular expressions match characters instead of bytes. "." matches a character instead of a byte.

    正規表現はバイトではなく文字にマッチします。 "." は一バイトではなく、ひとつの文字にマッチします。

  • Character classes in regular expressions match characters instead of bytes and match against the character properties specified in the Unicode properties database. \w can be used to match a Japanese ideograph, for instance.

    正規表現中の文字クラスはバイトではなく文字にマッチし、Unicode の 特性データベースで定義されている文字特性に対してマッチを行います。 たとえば、\w は日本語の表意文字にマッチさせるために使うことができます。

  • Named Unicode properties, scripts, and block ranges may be used like character classes via the \p{} "matches property" construct and the \P{} negation, "doesn't match property".

    名前付けされた Unicode の特性、用字、ブロックの範囲は \p{} "matches property" 構造やその否定形の \P{} "doesn't match property" を 使った文字クラスで使うことができます。

    See "Unicode Character Properties" for more details.

    さらなる詳細については "Unicode Character Properties" を 参照してください。

    You can define your own character properties and use them in the regular expression with the \p{} or \P{} construct.

    独自の文字特性を定義でき、\p{}\P{} 構造での正規表現で使えます。

    See "User-Defined Character Properties" for more details.

    更なる詳細については "User-Defined Character Properties" を 参照してください。

  • The special pattern \X matches any extended Unicode sequence--"a combining character sequence" in Standardese--where the first character is a base character and subsequent characters are mark characters that apply to the base character. \X is equivalent to (?>\PM\pM*).

    特殊なパターン \X は拡張 Unicode シーケンス -- Standardese の "a combining character sequence" -- 最初の文字が基本となる文字で 続く文字が基本文字に適用されるマーク文字にマッチします。 \X(?>\PM\pM*) と等価です。

  • The tr/// operator translates characters instead of bytes. Note that the tr///CU functionality has been removed. For similar functionality see pack('U0', ...) and pack('C0', ...).

    tr/// 演算子はバイトではなく文字で変換します。 tr///CU は削除されたことに注意してください。 同様のことを行うには pack('U0', ...) と pack('C0', ...) を 参照してください。

  • Case translation operators use the Unicode case translation tables when character input is provided. Note that uc(), or \U in interpolated strings, translates to uppercase, while ucfirst, or \u in interpolated strings, translates to titlecase in languages that make the distinction.

    大小文字の変換演算子は Unicode の大小文字変換テーブルを、文字の入力が あったときに使用します。 uc() や展開文字列中の \U は大文字に変換し、ucfirst や 展開文字列中の \u はその言語で区別されているときに タイトルケースに変換します。

  • Most operators that deal with positions or lengths in a string will automatically switch to using character positions, including chop(), chomp(), substr(), pos(), index(), rindex(), sprintf(), write(), and length(). An operator that specifically does not switch is vec(). Operators that really don't care include operators that treat strings as a bucket of bits such as sort(), and operators dealing with filenames.

    文字列の位置や長さを取り扱う演算子の大部分は自動的に文字の位置を 使うように変更されました。 これには chop(), chomp(), substr(), pos(), index(), rindex(), sprintf(), write(), length() が含まれます。 vec() は変更されていません。 文字列をビットのバケツのように扱う sort()、ファイル名を取り扱う 演算子は文字かどうかを気にしません。

  • The pack()/unpack() letter C does not change, since it is often used for byte-oriented formats. Again, think char in the C language.

    pack()/unpack() の文字 C変更されていません。 なぜなら、これらはしばしばバイト指向の書式のために使われるからです。 繰り返しますが、C 言語の char を考えてください。

    There is a new U specifier that converts between Unicode characters and code points. There is also a W specifier that is the equivalent of chr/ord and properly handles character values even if they are above 255.

    Unicode の文字と符号位置の間の変換を行う新たな U 指定子があります。 chr/ord と等価で、文字の値が 255 を超えていても適切に扱える W 指定子もあります。

  • The chr() and ord() functions work on characters, similar to pack("W") and unpack("W"), not pack("C") and unpack("C"). pack("C") and unpack("C") are methods for emulating byte-oriented chr() and ord() on Unicode strings. While these methods reveal the internal encoding of Unicode strings, that is not something one normally needs to care about at all.

    chr() 関数と ord() 関数は pack("W")unpack("W") のように 文字に対して働き、pack("C")unpack("C") のようには 働きませんpack("C")unpack("C") は Unicode 文字列においてバイト指向の chr()ord() をエミュレートするためのメソッドです。 これらのメソッドが Unicode 文字列の内部エンコーディングを明らかにするので、 通常はケアする必要はありません。

  • The bit string operators, & | ^ ~, can operate on character data. However, for backward compatibility, such as when using bit string operations when characters are all less than 256 in ordinal value, one should not use ~ (the bit complement) with characters of both values less than 256 and values greater than 256. Most importantly, DeMorgan's laws (~($x|$y) eq ~$x&~$y and ~($x&$y) eq ~$x|~$y) will not hold. The reason for this mathematical faux pas is that the complement cannot return both the 8-bit (byte-wide) bit complement and the full character-wide bit complement.

    ビット文字列演算子 & | ^ ~ は文字データを操作できます。 しかし、例えば全ての文字の値が 255 以下のときに ビット文字列演算を使った場合の後方互換性のために、 256 以上の値の文字と 255 以下の値の文字の両方が含まれている文字列に ~ (ビット補数) を使うべきではありません。 最も重要なことは、ド・モルガンの法則 (~($x|$y) eq ~$x&~$y~($x&$y) eq ~$x|~$y) が成り立たないということです。 この数学的な 過失 の理由は補数(complement)が 8 ビットのビット補数 および 文字幅のビット補数の 両方 を返すことができないためです。

  • lc(), uc(), lcfirst(), and ucfirst() work for the following cases:

    lc(), uc(), lcfirst(), ucfirst() は以下の場合に働きます:

    • the case mapping is from a single Unicode character to another single Unicode character, or

      ケースマッピングが単一の Unicode 文字から 別の単一の Unicode 文字へのものであるか、

    • the case mapping is from a single Unicode character to more than one Unicode character.

      ケースマッピングが単一の Unicode 文字から 一文字以上の Unicode 文字へのものである。

    Things to do with locales (Lithuanian, Turkish, Azeri) do not work since Perl does not understand the concept of Unicode locales.

    ロケール(Lithuanian, Turkish, Azeri)に付随することは 働きません。 それは Perl が Unicode のロケールのコンセプトを理解しないからです。

    See the Unicode Technical Report #21, Case Mappings, for more details.

    詳しくは Unicode Technical Report #21 の Case Mappings を参照してください。

    But you can also define your own mappings to be used in the lc(), lcfirst(), uc(), and ucfirst() (or their string-inlined versions).

    しかし lc(), lcfirst(), uc(), ucfirst() (およびこれらの 文字列インライン版) で使える独自のマッピングも定義できます。

    See "User-Defined Case Mappings" for more details.

    更なる詳細については "User-Defined Case Mappings" を参照してください。

  • And finally, scalar reverse() reverses by character rather than by byte.

    そして最後に、scalar reverse() はバイト単位ではなく文字単位で 反転を行います。

Unicode 文字特性

Named Unicode properties, scripts, and block ranges may be used like character classes via the \p{} "matches property" construct and the \P{} negation, "doesn't match property".

名前付けされた Unicode の特性、用字、ブロックの範囲は \p{} "matches property" 構造やその否定形の \P{} "doesn't match property" を 使った文字クラスで使うことができます。

For instance, \p{Lu} matches any character with the Unicode "Lu" (Letter, uppercase) property, while \p{M} matches any character with an "M" (mark--accents and such) property. Brackets are not required for single letter properties, so \p{M} is equivalent to \pM. Many predefined properties are available, such as \p{Mirrored} and \p{Tibetan}.

たとえば、\p{Lu} は Unicode の "Lu" (Letter, uppercase) 特性を持つ任意の 文字にマッチし、\p{M} は "M" (mark -- アクセントなど) 特性を持つ任意の 文字にマッチします。 ブラケットは一文字の特性では省略することができるので、\p{M}\PM と等価です。 \p{Mirrored}\p{Tibetan} など多くの特性が定義されています。

The official Unicode script and block names have spaces and dashes as separators, but for convenience you can use dashes, spaces, or underbars, and case is unimportant. It is recommended, however, that for consistency you use the following naming: the official Unicode script, property, or block name (see below for the additional rules that apply to block names) with whitespace and dashes removed, and the words "uppercase-first-lowercase-rest". Latin-1 Supplement thus becomes Latin1Supplement.

公式の Unicode 用字およびブロックの名前はスペースとダッシュを セパレータとして使っていますが、便利のため、ダッシュ、スペース、 アンダーバーを使うことができ、また、大小文字の違いは重要ではありません。 しかしながら、以下のネーミングにしたがって、首尾一貫して使うことを お勧めします: Unicode の用字、特性、ブロックの名前 (ブロック名に 適用される付加的なルールについて以下を参照してください) から 空白とダッシュを取り除き、単語の先頭を大文字にし残りを小文字にします。 したがって、Latin-1 SupplementLatin1Supplement となります。

You can also use negation in both \p{} and \P{} by introducing a caret (^) between the first brace and the property name: \p{^Tamil} is equal to \P{Tamil}.

\p{}\P{} の両方で、キャレット(^) を最初のブレースと 特性名の間に置くことによって意味を反転することができます: \p{^Tamil}\P{Tamil} と等価です。

NOTE: the properties, scripts, and blocks listed here are as of Unicode 5.0.0 in July 2006.

注意: ここでの特性、用字、ブロックは 2006 年 7 月の Unicode 5.0.0 に 従っています。

General Category

Here are the basic Unicode General Category properties, followed by their long form. You can use either; \p{Lu} and \p{UppercaseLetter}, for instance, are identical.

以下に挙げるのは、Unicode の一般カテゴリ特性(General Category properties) で、 長形式が並んでいます。 たとえば、\p{Lu}\p{UppercaseLetter} は同じものとして 扱うことができます。

    Short       Long

    L           Letter
    LC          CasedLetter
    Lu          UppercaseLetter
    Ll          LowercaseLetter
    Lt          TitlecaseLetter
    Lm          ModifierLetter
    Lo          OtherLetter

    M           Mark
    Mn          NonspacingMark
    Mc          SpacingMark
    Me          EnclosingMark

    N           Number
    Nd          DecimalNumber
    Nl          LetterNumber
    No          OtherNumber

    P           Punctuation
    Pc          ConnectorPunctuation
    Pd          DashPunctuation
    Ps          OpenPunctuation
    Pe          ClosePunctuation
    Pi          InitialPunctuation
                (may behave like Ps or Pe depending on usage)
    Pf          FinalPunctuation
                (may behave like Ps or Pe depending on usage)
    Po          OtherPunctuation

    S           Symbol
    Sm          MathSymbol
    Sc          CurrencySymbol
    Sk          ModifierSymbol
    So          OtherSymbol

    Z           Separator
    Zs          SpaceSeparator
    Zl          LineSeparator
    Zp          ParagraphSeparator

    C           Other
    Cc          Control
    Cf          Format
    Cs          Surrogate   (not usable)
    Co          PrivateUse
    Cn          Unassigned

Single-letter properties match all characters in any of the two-letter sub-properties starting with the same letter. LC and L& are special cases, which are aliases for the set of Ll, Lu, and Lt.

単一文字の特性は同じ文字で始まる二文字の任意のサブ特性に含まれる すべての文字にマッチします。 LCL& は特別なケースで、これは Ll, Lu, Lt の別名です。

Because Perl hides the need for the user to understand the internal representation of Unicode characters, there is no need to implement the somewhat messy concept of surrogates. Cs is therefore not supported.

Perl はユーザーが Unicode 文字の内部表現について理解する必要が ないようにしているので、サロゲートの面倒なコンセプトについて 実装する必要はありません。 従って、Cs はサポートされていません。

Bidirectional Character Types

Because scripts differ in their directionality--Hebrew is written right to left, for example--Unicode supplies these properties in the BidiClass class:

用字はその方向性で異なるので--たとえばヘブライ語は右から左に書きます -- Unicode は以下の特性を BidiClass クラスで提供しています:

    Property    Meaning

    L           Left-to-Right
    LRE         Left-to-Right Embedding
    LRO         Left-to-Right Override
    R           Right-to-Left
    AL          Right-to-Left Arabic
    RLE         Right-to-Left Embedding
    RLO         Right-to-Left Override
    PDF         Pop Directional Format
    EN          European Number
    ES          European Number Separator
    ET          European Number Terminator
    AN          Arabic Number
    CS          Common Number Separator
    NSM         Non-Spacing Mark
    BN          Boundary Neutral
    B           Paragraph Separator
    S           Segment Separator
    WS          Whitespace
    ON          Other Neutrals

For example, \p{BidiClass:R} matches characters that are normally written right to left.

たとえば、\p{BidiClass:R} は通常右から左に書く文字にマッチします。

Scripts

The script names which can be used by \p{...} and \P{...}, such as in \p{Latin} or \p{Cyrillic}, are as follows:

\p{Latin}\p{Cyrillic} のような、\p{...}\P{...} で 使うことのできる用字名は以下の通り:

    Arabic
    Armenian
    Balinese
    Bengali
    Bopomofo
    Braille
    Buginese
    Buhid
    CanadianAboriginal
    Cherokee
    Coptic
    Cuneiform
    Cypriot
    Cyrillic
    Deseret
    Devanagari
    Ethiopic
    Georgian
    Glagolitic
    Gothic
    Greek
    Gujarati
    Gurmukhi
    Han
    Hangul
    Hanunoo
    Hebrew
    Hiragana
    Inherited
    Kannada
    Katakana
    Kharoshthi
    Khmer
    Lao
    Latin
    Limbu
    LinearB
    Malayalam
    Mongolian
    Myanmar
    NewTaiLue
    Nko
    Ogham
    OldItalic
    OldPersian
    Oriya
    Osmanya
    PhagsPa
    Phoenician
    Runic
    Shavian
    Sinhala
    SylotiNagri
    Syriac
    Tagalog
    Tagbanwa
    TaiLe
    Tamil
    Telugu
    Thaana
    Thai
    Tibetan
    Tifinagh
    Ugaritic
    Yi
Extended property classes

Extended property classes can supplement the basic properties, defined by the PropList Unicode database:

拡張特性クラスは基本特性を補完し、Unicode データベースの PropList で定義されています:

    ASCIIHexDigit
    BidiControl
    Dash
    Deprecated
    Diacritic
    Extender
    HexDigit
    Hyphen
    Ideographic
    IDSBinaryOperator
    IDSTrinaryOperator
    JoinControl
    LogicalOrderException
    NoncharacterCodePoint
    OtherAlphabetic
    OtherDefaultIgnorableCodePoint
    OtherGraphemeExtend
    OtherIDStart
    OtherIDContinue
    OtherLowercase
    OtherMath
    OtherUppercase
    PatternSyntax
    PatternWhiteSpace
    QuotationMark
    Radical
    SoftDotted
    STerm
    TerminalPunctuation
    UnifiedIdeograph
    VariationSelector
    WhiteSpace

and there are further derived properties:

その他にも派生した特性があります:

    Alphabetic  =  Lu + Ll + Lt + Lm + Lo + Nl + OtherAlphabetic
    Lowercase   =  Ll + OtherLowercase
    Uppercase   =  Lu + OtherUppercase
    Math        =  Sm + OtherMath

    IDStart     =  Lu + Ll + Lt + Lm + Lo + Nl + OtherIDStart
    IDContinue  =  IDStart + Mn + Mc + Nd + Pc + OtherIDContinue

    DefaultIgnorableCodePoint
                =  OtherDefaultIgnorableCodePoint
                   + Cf + Cc + Cs + Noncharacters + VariationSelector
                   - WhiteSpace - FFF9..FFFB (Annotation Characters)

    Any         =  Any code points (i.e. U+0000 to U+10FFFF)
    Assigned    =  Any non-Cn code points (i.e. synonym for \P{Cn})
    Unassigned  =  Synonym for \p{Cn}
    ASCII       =  ASCII (i.e. U+0000 to U+007F)

    Common      =  Any character (or unassigned code point)
                   not explicitly assigned to a script
Use of "Is" Prefix

For backward compatibility (with Perl 5.6), all properties mentioned so far may have Is prepended to their name, so \P{IsLu}, for example, is equal to \P{Lu}.

(Perl 5.6 との)後方互換性のため、すべての特性はその名前の前に Is を 置くことができます。 したがって、\P{IsLu}\P{Lu} と等価です。

Blocks

In addition to scripts, Unicode also defines blocks of characters. The difference between scripts and blocks is that the concept of scripts is closer to natural languages, while the concept of blocks is more of an artificial grouping based on groups of 256 Unicode characters. For example, the Latin script contains letters from many blocks but does not contain all the characters from those blocks. It does not, for example, contain digits, because digits are shared across many scripts. Digits and similar groups, like punctuation, are in a category called Common.

用字 に加え、Unicode では文字の ブロック を定義しています。 用字とブロックの違いは、用字のコンセプトが自然言語に 密着したものであるのに対して、ブロックのコンセプトは 256 の Unicode 文字のグループに基づいたより人工的なグループ分けであることです。 たとえば、Latin 用字は多くのブロックからの文字を含んでいますが、 それらのブロックのすべての文字を含んではいません。 例を挙げると、数字は多くの用字を越えて共有されているので、 (Latin 用字は)数字を含みません。 数字と、句読点のような同様のグループは Common と呼ばれる カテゴリにあります。

For more about scripts, see the UAX#24 "Script Names":

用字のより詳しい情報は UTR #24 "Script Names" を参照してください:

   http://www.unicode.org/reports/tr24/

For more about blocks, see:

ブロックについてのより詳しい情報は:

   http://www.unicode.org/Public/UNIDATA/Blocks.txt

Block names are given with the In prefix. For example, the Katakana block is referenced via \p{InKatakana}. The In prefix may be omitted if there is no naming conflict with a script or any other property, but it is recommended that In always be used for block tests to avoid confusion.

ブロック名は In 接頭辞とともに与えられます。 たとえば、カタカナブロックは \p{InKatakana} として参照されます。 In 接頭辞は用字や他のプロパティと衝突しなければ省略することも 可能ですが、混乱のないブロックテストのために常に In を使うことを お勧めします。

These block names are supported:

以下のブロック名がサポートされています:

    InAegeanNumbers
    InAlphabeticPresentationForms
    InAncientGreekMusicalNotation
    InAncientGreekNumbers
    InArabic
    InArabicPresentationFormsA
    InArabicPresentationFormsB
    InArabicSupplement
    InArmenian
    InArrows
    InBalinese
    InBasicLatin
    InBengali
    InBlockElements
    InBopomofo
    InBopomofoExtended
    InBoxDrawing
    InBraillePatterns
    InBuginese
    InBuhid
    InByzantineMusicalSymbols
    InCJKCompatibility
    InCJKCompatibilityForms
    InCJKCompatibilityIdeographs
    InCJKCompatibilityIdeographsSupplement
    InCJKRadicalsSupplement
    InCJKStrokes
    InCJKSymbolsAndPunctuation
    InCJKUnifiedIdeographs
    InCJKUnifiedIdeographsExtensionA
    InCJKUnifiedIdeographsExtensionB
    InCherokee
    InCombiningDiacriticalMarks
    InCombiningDiacriticalMarksSupplement
    InCombiningDiacriticalMarksforSymbols
    InCombiningHalfMarks
    InControlPictures
    InCoptic
    InCountingRodNumerals
    InCuneiform
    InCuneiformNumbersAndPunctuation
    InCurrencySymbols
    InCypriotSyllabary
    InCyrillic
    InCyrillicSupplement
    InDeseret
    InDevanagari
    InDingbats
    InEnclosedAlphanumerics
    InEnclosedCJKLettersAndMonths
    InEthiopic
    InEthiopicExtended
    InEthiopicSupplement
    InGeneralPunctuation
    InGeometricShapes
    InGeorgian
    InGeorgianSupplement
    InGlagolitic
    InGothic
    InGreekExtended
    InGreekAndCoptic
    InGujarati
    InGurmukhi
    InHalfwidthAndFullwidthForms
    InHangulCompatibilityJamo
    InHangulJamo
    InHangulSyllables
    InHanunoo
    InHebrew
    InHighPrivateUseSurrogates
    InHighSurrogates
    InHiragana
    InIPAExtensions
    InIdeographicDescriptionCharacters
    InKanbun
    InKangxiRadicals
    InKannada
    InKatakana
    InKatakanaPhoneticExtensions
    InKharoshthi
    InKhmer
    InKhmerSymbols
    InLao
    InLatin1Supplement
    InLatinExtendedA
    InLatinExtendedAdditional
    InLatinExtendedB
    InLatinExtendedC
    InLatinExtendedD
    InLetterlikeSymbols
    InLimbu
    InLinearBIdeograms
    InLinearBSyllabary
    InLowSurrogates
    InMalayalam
    InMathematicalAlphanumericSymbols
    InMathematicalOperators
    InMiscellaneousMathematicalSymbolsA
    InMiscellaneousMathematicalSymbolsB
    InMiscellaneousSymbols
    InMiscellaneousSymbolsAndArrows
    InMiscellaneousTechnical
    InModifierToneLetters
    InMongolian
    InMusicalSymbols
    InMyanmar
    InNKo
    InNewTaiLue
    InNumberForms
    InOgham
    InOldItalic
    InOldPersian
    InOpticalCharacterRecognition
    InOriya
    InOsmanya
    InPhagspa
    InPhoenician
    InPhoneticExtensions
    InPhoneticExtensionsSupplement
    InPrivateUseArea
    InRunic
    InShavian
    InSinhala
    InSmallFormVariants
    InSpacingModifierLetters
    InSpecials
    InSuperscriptsAndSubscripts
    InSupplementalArrowsA
    InSupplementalArrowsB
    InSupplementalMathematicalOperators
    InSupplementalPunctuation
    InSupplementaryPrivateUseAreaA
    InSupplementaryPrivateUseAreaB
    InSylotiNagri
    InSyriac
    InTagalog
    InTagbanwa
    InTags
    InTaiLe
    InTaiXuanJingSymbols
    InTamil
    InTelugu
    InThaana
    InThai
    InTibetan
    InTifinagh
    InUgaritic
    InUnifiedCanadianAboriginalSyllabics
    InVariationSelectors
    InVariationSelectorsSupplement
    InVerticalForms
    InYiRadicals
    InYiSyllables
    InYijingHexagramSymbols

ユーザ定義文字特性

You can define your own character properties by defining subroutines whose names begin with "In" or "Is". The subroutines can be defined in any package. The user-defined properties can be used in the regular expression \p and \P constructs; if you are using a user-defined property from a package other than the one you are in, you must specify its package in the \p or \P construct.

あなた自身の文字特性を、"In" または "Is" で始まる名前のサブルーチンを 定義することによって持つことができます。 そのサブルーチンは任意のパッケージで定義することができます。 ユーザー定義特性は正規表現の \p 構造や \P 構造で使うことができます。 もしユーザー定義特性をそれがあるパッケージ以外で使いたいのであれば、 パッケージ名を \p (もしくは \P)のために指定する必要があります。

    # assuming property IsForeign defined in Lang::
    package main;  # property package name required
    if ($txt =~ /\p{Lang::IsForeign}+/) { ... }

    package Lang;  # property package name not required
    if ($txt =~ /\p{IsForeign}+/) { ... }

Note that the effect is compile-time and immutable once defined.

この効果はコンパイル時のもので、一度定義してしまったら 変更できないことに注意してください。

The subroutines must return a specially-formatted string, with one or more newline-separated lines. Each line must be one of the following:

サブルーチンは、ひとつ以上の改行で区切られた特定の形式の文字列を 返さなければなりません。 各行は以下のいずれかの形式でなければなりません:

  • A single hexadecimal number denoting a Unicode code point to include.

    含まれる Unicode 符号位置を示す 1 つの 16 進数。

  • Two hexadecimal numbers separated by horizontal whitespace (space or tabular characters) denoting a range of Unicode code points to include.

    含まれる Unicode の符号位置の範囲を示す、 水平的空白(スペースもしくはタブ)によって区切られる 2 つの 16 進数。

  • Something to include, prefixed by "+": a built-in character property (prefixed by "utf8::") or a user-defined character property, to represent all the characters in that property; two hexadecimal code points for a range; or a single hexadecimal code point.

    ("+" を前置して) その特性に含めるもの: ("utf8::" が前置された) 組み込みの文字特性もしくはユーザー定義の文字特性; 範囲のための 2 つの 16 進符号位置; あるいは単一の 16 進符号位置。

  • Something to exclude, prefixed by "-": an existing character property (prefixed by "utf8::") or a user-defined character property, to represent all the characters in that property; two hexadecimal code points for a range; or a single hexadecimal code point.

    ("-" を前置して) その特性から除外するもの: ("utf8::" が前置された) 組み込みの文字特性もしくはユーザー定義の文字特性; 範囲のための 2 つの 16 進符号位置; あるいは単一の 16 進符号位置。

  • Something to negate, prefixed "!": an existing character property (prefixed by "utf8::") or a user-defined character property, to represent all the characters in that property; two hexadecimal code points for a range; or a single hexadecimal code point.

    ("!" を前置して)否定を取るもの: ("utf8::" が前置された) 組み込みの文字特性もしくはユーザー定義の文字特性; 範囲のための 2 つの 16 進符号位置; あるいは単一の 16 進符号位置。

  • Something to intersect with, prefixed by "&": an existing character property (prefixed by "utf8::") or a user-defined character property, for all the characters except the characters in the property; two hexadecimal code points for a range; or a single hexadecimal code point.

    ("&" を前置して)共通集合を取るもの: 特性にある文字以外の全ての文字のための ("utf8::" が前置された) 既に存在する文字特性またはユーザー定義文字特性; 範囲のための 2 つの 16 進符号位置; あるいは単一の 16 進符号位置。

For example, to define a property that covers both the Japanese syllabaries (hiragana and katakana), you can define

例えば、両方の日本語の音節(ひらがなとカタカナ)を対象とする特性を 定義するには、以下のように定義します

    sub InKana {
        return <<END;
    3040\t309F
    30A0\t30FF
    END
    }

Imagine that the here-doc end marker is at the beginning of the line. Now you can use \p{InKana} and \P{InKana}.

ヒアドキュメントの終端マーカーは行の先頭に置かれることを思い出してください。 これで、\p{InKana}\P{InKana} を使うことができます。

You could also have used the existing block property names:

すでに存在しているブロック特性名を使うこともできます:

    sub InKana {
        return <<'END';
    +utf8::InHiragana
    +utf8::InKatakana
    END
    }

Suppose you wanted to match only the allocated characters, not the raw block ranges: in other words, you want to remove the non-characters:

生のブロック範囲ではなく、割り当てられた文字のみにマッチさせたいと 考えているとしましょう: 言い換えれば、文字以外のものを 取り除きたいということです:

    sub InKana {
        return <<'END';
    +utf8::InHiragana
    +utf8::InKatakana
    -utf8::IsCn
    END
    }

The negation is useful for defining (surprise!) negated classes.

否定は否定クラスを定義するのに便利です。

    sub InNotKana {
        return <<'END';
    !utf8::InHiragana
    -utf8::InKatakana
    +utf8::IsCn
    END
    }

Intersection is useful for getting the common characters matched by two (or more) classes.

共通集合(intersection)は二つ以上のクラスにマッチする共通の文字を得るのに 便利です。

    sub InFooAndBar {
        return <<'END';
    +main::Foo
    &main::Bar
    END
    }

It's important to remember not to use "&" for the first set -- that would be intersecting with nothing (resulting in an empty set).

最初の集合に "&" を使わないということを忘れないでください -- そうしてしまうと空との共通集合を取ってしまいます(結果は空集合です)。

ユーザ定義の大文字・小文字の対応関係

You can also define your own mappings to be used in the lc(), lcfirst(), uc(), and ucfirst() (or their string-inlined versions). The principle is similar to that of user-defined character properties: to define subroutines in the main package with names like ToLower (for lc() and lcfirst()), ToTitle (for the first character in ucfirst()), and ToUpper (for uc(), and the rest of the characters in ucfirst()).

同様に、lc()、lcfirst()、uc()、ucfirst() (あるいはその文字列組み込み版)で あなた自身の対応関係を定義することもできます。 原則は ユーザー定義文字特性の場合と似ています: ToLower (lc() と lcfirst()用), ToTitle (ucfirst() の最初の文字用), ToUpper (uc() 用と ucfirst() の 残りの文字用) のような名前のサブルーチンを main パッケージで定義します。

The string returned by the subroutines needs now to be three hexadecimal numbers separated by tabulators: start of the source range, end of the source range, and start of the destination range. For example:

サブルーチンから返される文字列はタブで区切られた 3 つの 16 進数を 必要とします: ソースの範囲の始まり、ソースの範囲の終わり、そして デスティネーション範囲の始まりです。 例を挙げましょう:

    sub ToUpper {
        return <<END;
    0061\t0063\t0041
    END
    }

defines an uc() mapping that causes only the characters "a", "b", and "c" to be mapped to "A", "B", "C", all other characters will remain unchanged.

これは、"a", "b", "c" の文字のみを "A", "B", "C" にマッピングして その他のすべての文字は変更しないという uc() のマッピングを定義しています。

If there is no source range to speak of, that is, the mapping is from a single character to another single character, leave the end of the source range empty, but the two tabulator characters are still needed. For example:

もしソースの範囲に言及することがなければ、つまり、対応関係が単一の 文字から別の単一の文字に変換するものであったならば、ソースの範囲の 終わりは空のままでよいけれども二つのタブは必要です。 例を挙げましょう:

    sub ToLower {
        return <<END;
    0041\t\t0061
    END
    }

defines a lc() mapping that causes only "A" to be mapped to "a", all other characters will remain unchanged.

"A" を "a" にマッピングしてその他のすべての文字は変更しない lc() の マッピングを定義しています。

(For serious hackers only) If you want to introspect the default mappings, you can find the data in the directory $Config{privlib}/unicore/To/. The mapping data is returned as the here-document, and the utf8::ToSpecFoo are special exception mappings derived from <$Config{privlib}>/unicore/SpecialCasing.txt. The Digit and Fold mappings that one can see in the directory are not directly user-accessible, one can use either the Unicode::UCD module, or just match case-insensitively (that's when the Fold mapping is used).

(真剣なハッカー専用) デフォルトのマッピングを内省したいのなら、 $Config{privlib}/unicore/To/ というディレクトリにデータを 見つけ出すことができます。 マッピングデータはヒアドキュメントとして返され、utf8::ToSpecFoo$Config{privlib}/unicore/SpecialCasing.txt から派生した特殊な 例外マッピングです。 そのディレクトリで見つけることのできる DigitFold のマッピングは ユーザーがダイレクトにアクセスできず、Unicode::UCD モジュールを使うか 大小文字を無視してマッピングします(Fold マッピングが使われているとき)。

A final note on the user-defined case mappings: they will be used only if the scalar has been marked as having Unicode characters. Old byte-style strings will not be affected.

ユーザー定義の大文字・小文字の対応関係に関する最後の注意: これらはスカラが Unicode 文字としてマークされているときにのみ使われます。 古いバイト形式の文字列には影響を及ぼしません。

入出力のための文字エンコーディング

See Encode.

Encode を参照してください。

Unicode 正規表現対応レベル

The following list of Unicode support for regular expressions describes all the features currently supported. The references to "Level N" and the section numbers refer to the Unicode Technical Standard #18, "Unicode Regular Expressions", version 11, in May 2005.

以下に挙げるリストは、現在対応している全ての機能を記述する、 正規表現のための Unicode 対応のリストです。 "Level N" に対する参照とセクション番号は Unicode Technical Standard #18, "Unicode Regular Expressions", version 11, in May 2005 を参照しています。

  • Level 1 - Basic Unicode Support

            RL1.1   Hex Notation                        - done          [1]
            RL1.2   Properties                          - done          [2][3]
            RL1.2a  Compatibility Properties            - done          [4]
            RL1.3   Subtraction and Intersection        - MISSING       [5]
            RL1.4   Simple Word Boundaries              - done          [6]
            RL1.5   Simple Loose Matches                - done          [7]
            RL1.6   Line Boundaries                     - MISSING       [8]
            RL1.7   Supplementary Code Points           - done          [9]
    
            [1]  \x{...}
            [2]  \p{...} \P{...}
            [3]  supports not only minimal list (general category, scripts,
                 Alphabetic, Lowercase, Uppercase, WhiteSpace,
                 NoncharacterCodePoint, DefaultIgnorableCodePoint, Any,
                 ASCII, Assigned), but also bidirectional types, blocks, etc.
                 (see "Unicode Character Properties")
            [4]  \d \D \s \S \w \W \X [:prop:] [:^prop:]
            [5]  can use regular expression look-ahead [a] or
                 user-defined character properties [b] to emulate set operations
            [6]  \b \B
            [7]  note that Perl does Full case-folding in matching, not Simple:
                 for example U+1F88 is equivalent to U+1F00 U+03B9,
                 not with 1F80.  This difference matters mainly for certain Greek
                 capital letters with certain modifiers: the Full case-folding
                 decomposes the letter, while the Simple case-folding would map
                 it to a single character.
            [8]  should do ^ and $ also on U+000B (\v in C), FF (\f), CR (\r),
                 CRLF (\r\n), NEL (U+0085), LS (U+2028), and PS (U+2029);
                 should also affect <>, $., and script line numbers;
                 should not split lines within CRLF [c] (i.e. there is no empty
                 line between \r and \n)
            [9]  UTF-8/UTF-EBDDIC used in perl allows not only U+10000 to U+10FFFF
                 but also beyond U+10FFFF [d]

    [a] You can mimic class subtraction using lookahead. For example, what UTS#18 might write as

    [a] class subtraction を先読みを使って模倣することができます。 たとえば、以下の UTR #18 は

        [{Greek}-[{UNASSIGNED}]]

    in Perl can be written as:

    以下のように Perl で記述できます:

        (?!\p{Unassigned})\p{InGreekAndCoptic}
        (?=\p{Assigned})\p{InGreekAndCoptic}

    But in this particular example, you probably really want

    しかし、この特定の例では、あなたが実際に望んでいたのは次のものでしょう

        \p{GreekAndCoptic}

    which will match assigned characters known to be part of the Greek script.

    これは Greek 用字の一部として知られている assigned character にマッチします。

    Also see the Unicode::Regex::Set module, it does implement the full UTS#18 grouping, intersection, union, and removal (subtraction) syntax.

    同様に Unicode::Regex::Set モジュールを参照してください。 これは UTR #18のグルーピング、intersection、union, removal(substraction)構文を フルに実装しています。

    [b] '+' for union, '-' for removal (set-difference), '&' for intersection (see "User-Defined Character Properties")

    [b] 結合のためには '+'、除去(差集合)のためには '-'、 共通集合のためには '&' です ("User-Defined Character Properties" を参照してください)

    [c] Try the :crlf layer (see PerlIO).

    [c] :crlf 層を試してください (PerlIO を参照してください)。

    [d] Avoid use warning 'utf8'; (or say no warning 'utf8';) to allow U+FFFF (\x{FFFF}).

    [d] U+FFFF (\x{FFFF}) を許可するために、use warning 'utf8'; を しないでください (または no warning 'utf8'; としてください)。

  • Level 2 - Extended Unicode Support

            RL2.1   Canonical Equivalents           - MISSING       [10][11]
            RL2.2   Default Grapheme Clusters       - MISSING       [12][13]
            RL2.3   Default Word Boundaries         - MISSING       [14]
            RL2.4   Default Loose Matches           - MISSING       [15]
            RL2.5   Name Properties                 - MISSING       [16]
            RL2.6   Wildcard Properties             - MISSING
    
            [10] see UAX#15 "Unicode Normalization Forms"
            [11] have Unicode::Normalize but not integrated to regexes
            [12] have \X but at this level . should equal that
            [13] UAX#29 "Text Boundaries" considers CRLF and Hangul syllable
                 clusters as a single grapheme cluster.
            [14] see UAX#29, Word Boundaries
            [15] see UAX#21 "Case Mappings"
            [16] have \N{...} but neither compute names of CJK Ideographs
                 and Hangul Syllables nor use a loose match [e]

    [e] \N{...} allows namespaces (see charnames).

    [e] \N{...} は名前空間を許可します (charnames を参照してください)。

  • Level 3 - Tailored Support

            RL3.1   Tailored Punctuation            - MISSING
            RL3.2   Tailored Grapheme Clusters      - MISSING       [17][18]
            RL3.3   Tailored Word Boundaries        - MISSING
            RL3.4   Tailored Loose Matches          - MISSING
            RL3.5   Tailored Ranges                 - MISSING
            RL3.6   Context Matching                - MISSING       [19]
            RL3.7   Incremental Matches             - MISSING
          ( RL3.8   Unicode Set Sharing )
            RL3.9   Possible Match Sets             - MISSING
            RL3.10  Folded Matching                 - MISSING       [20]
            RL3.11  Submatchers                     - MISSING
    
            [17] see UAX#10 "Unicode Collation Algorithms"
            [18] have Unicode::Collate but not integrated to regexes
            [19] have (?<=x) and (?=x), but look-aheads or look-behinds should see
                 outside of the target substring
            [20] need insensitive matching for linguistic features other than case;
                 for example, hiragana to katakana, wide and narrow, simplified Han
                 to traditional Han (see UTR#30 "Character Foldings")

Unicode のエンコーディング

Unicode characters are assigned to code points, which are abstract numbers. To use these numbers, various encodings are needed.

Unicode 文字は抽象的な数値である 符号位置 にアサインされています。 これらの数値を使うために、さまざまなエンコーディングが必要となります。

  • UTF-8

    UTF-8 is a variable-length (1 to 6 bytes, current character allocations require 4 bytes), byte-order independent encoding. For ASCII (and we really do mean 7-bit ASCII, not another 8-bit encoding), UTF-8 is transparent.

    UTF-8 は可変長(1 から 6 バイト; 現在の文字配置では 4 バイトを要求します)で、 バイトの並び順に依存しないエンコーディングです。 ASCII(ここでは 7-bit ASCII のことで、他の 8-bit エンコーディングのことでは ありません)と UTF-8 は透過です。

    The following table is from Unicode 3.2.

    以下のテーブルは Unicode 3.2 のものです。

     Code Points            1st Byte  2nd Byte  3rd Byte  4th Byte
    
       U+0000..U+007F       00..7F
       U+0080..U+07FF       C2..DF    80..BF
       U+0800..U+0FFF       E0        A0..BF    80..BF
       U+1000..U+CFFF       E1..EC    80..BF    80..BF
       U+D000..U+D7FF       ED        80..9F    80..BF
       U+D800..U+DFFF       ******* ill-formed *******
       U+E000..U+FFFF       EE..EF    80..BF    80..BF
      U+10000..U+3FFFF      F0        90..BF    80..BF    80..BF
      U+40000..U+FFFFF      F1..F3    80..BF    80..BF    80..BF
     U+100000..U+10FFFF     F4        80..8F    80..BF    80..BF

    Note the A0..BF in U+0800..U+0FFF, the 80..9F in U+D000...U+D7FF, the 90..BF in U+10000..U+3FFFF, and the 80...8F in U+100000..U+10FFFF. The "gaps" are caused by legal UTF-8 avoiding non-shortest encodings: it is technically possible to UTF-8-encode a single code point in different ways, but that is explicitly forbidden, and the shortest possible encoding should always be used. So that's what Perl does.

    U+0800..U+0FFF の中の A0..BFU+D000...U+D7FF の中の 80..9FU+10000..U+3FFFF の中の 90..BFU+100000..U+10FFFF の中の 80...8F に注意してください。 この「隙間」は、正当な UTF-8 が最短でないエンコードを避けるために あります: 技術的には UTF-8 エンコードは一つの符号位置を複数の方法で 表すことができますが、これは明示的に禁止されていて、可能な限り最短の エンコードが常に使われます。 従って、Perl もそうします。

    Another way to look at it is via bits:

    これを見るもう一つの方法はビット単位で見ることです:

     Code Points                    1st Byte   2nd Byte  3rd Byte  4th Byte
    
                        0aaaaaaa     0aaaaaaa
                00000bbbbbaaaaaa     110bbbbb  10aaaaaa
                ccccbbbbbbaaaaaa     1110cccc  10bbbbbb  10aaaaaa
      00000dddccccccbbbbbbaaaaaa     11110ddd  10cccccc  10bbbbbb  10aaaaaa

    As you can see, the continuation bytes all begin with 10, and the leading bits of the start byte tell how many bytes the are in the encoded character.

    見ての通り、後続バイトはすべて 10 から始まっていて、開始バイトの 先行ビットはエンコードされた文字がどのくらいの長さであるかを示しています。

  • UTF-EBCDIC

    Like UTF-8 but EBCDIC-safe, in the way that UTF-8 is ASCII-safe.

    UTF-8 と似ていますが、UTF-8 が ASCII-safe であるように EBCDIC-safe です。

  • UTF-16, UTF-16BE, UTF-16LE, Surrogates, and BOMs (Byte Order Marks)

    UTF-16, UTF-16BE, UTF-16LE, サロゲート, BOM (Byte Order Marks)

    The followings items are mostly for reference and general Unicode knowledge, Perl doesn't use these constructs internally.

    以下の項目はほとんど参照および一般的な Unicode 知識のためのもので、 Perl はこれらの構造を内部で使っていません。

    UTF-16 is a 2 or 4 byte encoding. The Unicode code points U+0000..U+FFFF are stored in a single 16-bit unit, and the code points U+10000..U+10FFFF in two 16-bit units. The latter case is using surrogates, the first 16-bit unit being the high surrogate, and the second being the low surrogate.

    UTF-16 は 2 バイトもしくは 4 バイトのエンコーディングです。 U+0000..U+FFFF の範囲の Unicode の符号位置はひとつの 16 ビット ユニットに収められ、U+10000..U+10FFFF の範囲の符号位置は 2 つの 16 ビットユニットに収められます。 後者をサロゲート(surrogates) と呼びます。 最初の 16 ビットユニットは high surrogate で、二番目は low surrogate となります。

    Surrogates are code points set aside to encode the U+10000..U+10FFFF range of Unicode code points in pairs of 16-bit units. The high surrogates are the range U+D800..U+DBFF, and the low surrogates are the range U+DC00..U+DFFF. The surrogate encoding is

    サロゲートは Unicode の符号位置の U+10000..U+10FFFF の範囲を 16 ビットユニットのペアで表現する集合です。 high surrogatesU+D800..U+DBFF の範囲で、low surrogatesU+DC00..U+DFFF の範囲です。 サロゲートのエンコーディングは

            $hi = ($uni - 0x10000) / 0x400 + 0xD800;
            $lo = ($uni - 0x10000) % 0x400 + 0xDC00;

    and the decoding is

    であり、デコードは以下のようなものです

            $uni = 0x10000 + ($hi - 0xD800) * 0x400 + ($lo - 0xDC00);

    If you try to generate surrogates (for example by using chr()), you will get a warning if warnings are turned on, because those code points are not valid for a Unicode character.

    (たとえば chr() を使って)サロゲートを生成しようとしたならば、 警告が有効であれば警告が発生するでしょう。 なぜなら、そういった符号位置は Unicode 文字としては正しいものではないからです。

    Because of the 16-bitness, UTF-16 is byte-order dependent. UTF-16 itself can be used for in-memory computations, but if storage or transfer is required either UTF-16BE (big-endian) or UTF-16LE (little-endian) encodings must be chosen.

    16-bitness のため、UTF-16 はバイトの並び順に依存します。 UTF-16 それ自身はメモリ内の計算に使うことができますが、格納や転送の際には UTF-16BE (ビッグエンディアン)か UTF-16LE (リトルエンディアン)の いずれかのエンコーディングを選択しなければなりません。

    This introduces another problem: what if you just know that your data is UTF-16, but you don't know which endianness? Byte Order Marks, or BOMs, are a solution to this. A special character has been reserved in Unicode to function as a byte order marker: the character with the code point U+FEFF is the BOM.

    このことは別の問題を引き起こします: あなたのデータが UTF-16 であることだけを 知っていて、そのバイト並び順を知らなかったとしたら? バイト順マーク (Byte Order Marks)、略して BOM はこれを解決します。 バイト並びのマーカーとしての機能のために Unicode では特殊な文字が 予約されています: その文字は符号位置の U+FEFF です。

    The trick is that if you read a BOM, you will know the byte order, since if it was written on a big-endian platform, you will read the bytes 0xFE 0xFF, but if it was written on a little-endian platform, you will read the bytes 0xFF 0xFE. (And if the originating platform was writing in UTF-8, you will read the bytes 0xEF 0xBB 0xBF.)

    このトリックは、BOM を読み込んだときにバイト順がわかるということです。 ビッグエンディアンのプラットフォームで書かれたものならなら 0xFE 0xFF を読み出し、リトルエンディガンのプラットフォームで 書かれたものなら 0xFF 0xFE を読み出します。 (そしてもし元のプラットフォームで UTF-8 で書かれたものならば 0xEF 0xBB 0xBF というバイト列を読むことになるでしょう。)

    The way this trick works is that the character with the code point U+FFFE is guaranteed not to be a valid Unicode character, so the sequence of bytes 0xFF 0xFE is unambiguously "BOM, represented in little-endian format" and cannot be U+FFFE, represented in big-endian format".

    このトリックがうまくいくのは符号位置 U+FFFE の文字は正当な Unicode 文字でないということによって、0xFF 0xFE という並びは紛れなく "リトルエンディアンフォーマットの BOM" であって "ビッグエンディアンの U+FFFE" とはならないのです。

  • UTF-32, UTF-32BE, UTF-32LE

    The UTF-32 family is pretty much like the UTF-16 family, expect that the units are 32-bit, and therefore the surrogate scheme is not needed. The BOM signatures will be 0x00 0x00 0xFE 0xFF for BE and 0xFF 0xFE 0x00 0x00 for LE.

    UTF-32 ファミリーは UTF-16 ファミリーと良く似ていますが、ユニットが 32 ビットで、そのためサロゲート方式の必要がないという点が異なります。 BOM シグネチャは BE では 0x00 0x00 0xFE 0xFF に、 LE では 0xFF 0xFE 0x00 0x00 になります。

  • UCS-2, UCS-4

    Encodings defined by the ISO 10646 standard. UCS-2 is a 16-bit encoding. Unlike UTF-16, UCS-2 is not extensible beyond U+FFFF, because it does not use surrogates. UCS-4 is a 32-bit encoding, functionally identical to UTF-32.

    ISO 10646 標準で定義されているエンコーディングです。 UCS-2 は 16 ビットエンコーディングです。 UTF-16 とは異なり、UCS-2 は U+FFFF を超えた範囲に拡張できません。 これはサロゲートを使わないためです。 UCS-4 は 32 ビットエンコーディングで、機能的には UTF-32 と同じです。

  • UTF-7

    A seven-bit safe (non-eight-bit) encoding, which is useful if the transport or storage is not eight-bit safe. Defined by RFC 2152.

    7 ビットセーフ(非 8 ビット)エンコーディングで、8 ビットセーフでない 転送や格納に便利です。 RFC 2152 によって定義されています。

Unicode のセキュリティへの影響

  • Malformed UTF-8

    不正な UTF-8

    Unfortunately, the specification of UTF-8 leaves some room for interpretation of how many bytes of encoded output one should generate from one input Unicode character. Strictly speaking, the shortest possible sequence of UTF-8 bytes should be generated, because otherwise there is potential for an input buffer overflow at the receiving end of a UTF-8 connection. Perl always generates the shortest length UTF-8, and with warnings on Perl will warn about non-shortest length UTF-8 along with other malformations, such as the surrogates, which are not real Unicode code points.

    残念ながら、UTF-8 の仕様ではひとつの Unicode 文字の入力から 何バイトのエンコードされた出力として解釈するのかについていくらかの 余地があります。 厳密にいえば、可能な限り最も短い UTF-8 バイト列が生成されるべきです。 なぜなら、そうしないと UTF-8 コネクションの終わりにおいて、入力バッファが オーバーフローする可能性があるからです。 Perl は常に最も短い長さの UTF-8 を生成し、本当の Unicode の符号位置でない サロゲートのような不正な形式の最短でない UTF-8 に関して警告を発します。

  • Regular expressions behave slightly differently between byte data and character (Unicode) data. For example, the "word character" character class \w will work differently depending on if data is eight-bit bytes or Unicode.

    正規表現はバイトデータと文字(Unicode)データとでまったく異なる 振る舞いをします。 たとえば、単語文字("word character")クラス \w はそのデータが 8 ビットバイトか Unicode かに依存して異なる働きをします。

    In the first case, the set of \w characters is either small--the default set of alphabetic characters, digits, and the "_"--or, if you are using a locale (see perllocale), the \w might contain a few more letters according to your language and country.

    第一の場合、\w 文字の集合は相対的に小さいものです -- アルファベット、 数字、そして "_" のデフォルト集合 -- もしくはロケール(perllocale を参照)を 使っているのであれば、\w はあなたの使っている言語や国に応じていくつかの 文字が増えているかもしれません。

    In the second case, the \w set of characters is much, much larger. Most importantly, even in the set of the first 256 characters, it will probably match different characters: unlike most locales, which are specific to a language and country pair, Unicode classifies all the characters that are letters somewhere as \w. For example, your locale might not think that LATIN SMALL LETTER ETH is a letter (unless you happen to speak Icelandic), but Unicode does.

    第二の場合、\w の文字集合は相対的に大きなものになります。 最も重要なことは、最初の 256 文字の集合にあってさえ異なる文字と マッチする可能性があるということです: 言語と国のペアで指定される 大部分のロケールと異なり、Unicode のクラス分けは どこかにある すべての文字を \w に属するものとします。 たとえば、あなたの使っているロケールは LATIN SMALL LETTER ETH が (アイスランド語を使っていない限り)属していないとみなしているでしょうが、 Unicode は属するものとしてみなすのです。

    As discussed elsewhere, Perl has one foot (two hooves?) planted in each of two worlds: the old world of bytes and the new world of characters, upgrading from bytes to characters when necessary. If your legacy code does not explicitly use Unicode, no automatic switch-over to characters should happen. Characters shouldn't get downgraded to bytes, either. It is possible to accidentally mix bytes and characters, however (see perluniintro), in which case \w in regular expressions might start behaving differently. Review your code. Use warnings and the strict pragma.

    すでに述べている通り、Perl は二つの世界のそれぞれに片方の足 (二つのひづめ?) を突っ込んでいます: 古いバイトの世界と新しい文字の世界で、 必要に応じてバイトから文字に昇格します。 もしあなたの古いコードが明示的に Unicode を使っていないのなら、文字への 切り替えが自動的になされることはありません。 文字はバイトにダウングレードされるべきではありません。 偶発的にバイトと文字が混じる可能性がありますが(perluniintro を参照)、 そのような場合正規表現中の \w は異なるふるまいをするかもしれません。 あなたのコードをレビューしてください。 warnings と strict プラグマを使ってください。

EBCDIC 上の Perl での Unicode

The way Unicode is handled on EBCDIC platforms is still experimental. On such platforms, references to UTF-8 encoding in this document and elsewhere should be read as meaning the UTF-EBCDIC specified in Unicode Technical Report 16, unless ASCII vs. EBCDIC issues are specifically discussed. There is no utfebcdic pragma or ":utfebcdic" layer; rather, "utf8" and ":utf8" are reused to mean the platform's "natural" 8-bit encoding of Unicode. See perlebcdic for more discussion of the issues.

EBCDIC プラットフォームでの Unicode の扱い方は未だ実験的です。 このようなプラットフォームでは、この文書やその他での UTF-8 エンコーディングへの言及は、特に ASCII 対 EBCDIC 問題について 議論されている場合でない限りは、Unicode Technical Report 16 で 定義されている UTF-EBCDIC を意味するものとして読むべきです。 utfebcdic プラグマや ":utfebcdic" 層はありません; 代わりに、"utf8" と ":utf8" が、そのプラットフォームの「自然な」 Unicode の 8 ビットエンコーディングを意味するように再利用されています。 この問題に関する更なる議論については perlebcdic を参照してください。

ロケール

Usually locale settings and Unicode do not affect each other, but there are a couple of exceptions:

通常ロケールの設定と Unicode は互いに影響を及ぼすことはありませんが、 いくつかの例外があります:

  • You can enable automatic UTF-8-ification of your standard file handles, default open() layer, and @ARGV by using either the -C command line switch or the PERL_UNICODE environment variable, see perlrun for the documentation of the -C switch.

    デフォルトの open() 層や @ARGV の標準ファイルハンドルの 自動的な UTF-8 化を、-C コマンドラインスイッチか 環境変数 PERL_UNICODE によって有効にできます。 -C スイッチについての説明は perlrun を参照してください。

  • Perl tries really hard to work both with Unicode and the old byte-oriented world. Most often this is nice, but sometimes Perl's straddling of the proverbial fence causes problems.

    Perl は Unicode と古いバイト指向の世界の両方で働くために苦労しています。 ほとんどの場合はうまくいきますが、ときには Perl が二股をかけていることが 問題を引き起こすこともあります。

Unicode ではない場合

While Perl does have extensive ways to input and output in Unicode, and few other 'entry points' like the @ARGV which can be interpreted as Unicode (UTF-8), there still are many places where Unicode (in some encoding or another) could be given as arguments or received as results, or both, but it is not.

Perl には入出力を Unicode で行うための多数の方法があり、 @ARGV のように Unicode (UTF-8) として解釈できるようなその他の 「エントリポイント」はほとんどない一方、(何らかのエンコーディングで) Unicode が引数として与えられたり結果として返されるべきにも関わらず、 そうなっていない場所も未だ多くあります。

The following are such interfaces. For all of these interfaces Perl currently (as of 5.8.3) simply assumes byte strings both as arguments and results, or UTF-8 strings if the encoding pragma has been used.

以下に挙げるのはそのようなインターフェースです。 これらすべてが現在の Perl(5.8.3) では単純に引数と戻り値の両方が バイト文字列か、encoding プラグマが使われていれば UTF-8 文字列で あると仮定しています。

One reason why Perl does not attempt to resolve the role of Unicode in this cases is that the answers are highly dependent on the operating system and the file system(s). For example, whether filenames can be in Unicode, and in exactly what kind of encoding, is not exactly a portable concept. Similarly for the qx and system: how well will the 'command line interface' (and which of them?) handle Unicode?

このようなケースにおいて、Perl がなぜ Unicode による解決を しないのかの理由の一つは、答えがオペレーティングシステムや ファイルシステムに強く依存しているからです。 たとえば、ファイル名が Unicode で記述できてエンコーディングが 合っていたとしてもそれは移植性のあるコンセプトではないのです。 同様なことが qx や system にも言えます: 「コマンドラインインターフェース」は Unicode をどのように 扱うのでしょうか?

  • chdir, chmod, chown, chroot, exec, link, lstat, mkdir, rename, rmdir, stat, symlink, truncate, unlink, utime, -X

  • %ENV

  • glob (aka the <*>)

    glob (または <*>)

  • open, opendir, sysopen

  • qx (aka the backtick operator), system

    qx (または逆クォート演算子), system

  • readdir, readlink

Unicode を Perl に強制する (あるいは Unicode でないことを Perl に強制する)

Sometimes (see "When Unicode Does Not Happen") there are situations where you simply need to force a byte string into UTF-8, or vice versa. The low-level calls utf8::upgrade($bytestring) and utf8::downgrade($utf8string[, FAIL_OK]) are the answers.

ときとして("When Unicode Does Not Happen" を参照)、バイト列を UTF-8 であるように強制したりその逆を行う場合があるかもしれません。 低レベルの呼び出し utf8::upgrade($bytestring) と utf8::downgrade($utf8string[, FAIL_OK]) がその回答です。

Note that utf8::downgrade() can fail if the string contains characters that don't fit into a byte.

utf8::downgrade() は、バイトに収まらない文字を含む文字列の場合は 失敗することがあることに注意してください。

XS で Unicode を使う

If you want to handle Perl Unicode in XS extensions, you may find the following C APIs useful. See also "Unicode Support" in perlguts for an explanation about Unicode at the XS level, and perlapi for the API details.

Perl の Unicode を XS 拡張で取り扱いたいと思うのなら、以下に挙げる API 群が便利かも知れません。 XS レベルでの Unicode に関しての説明は "Unicode Support" in perlguts を、 API の詳細については perlapi を参照してください。

  • DO_UTF8(sv) returns true if the UTF8 flag is on and the bytes pragma is not in effect. SvUTF8(sv) returns true if the UTF8 flag is on; the bytes pragma is ignored. The UTF8 flag being on does not mean that there are any characters of code points greater than 255 (or 127) in the scalar or that there are even any characters in the scalar. What the UTF8 flag means is that the sequence of octets in the representation of the scalar is the sequence of UTF-8 encoded code points of the characters of a string. The UTF8 flag being off means that each octet in this representation encodes a single character with code point 0..255 within the string. Perl's Unicode model is not to use UTF-8 until it is absolutely necessary.

    DO_UTF8(sv)UTF8 フラグがオンでバイトプラグマが効果を もっていないときに真を返します。 SvUTF8(sv)UTF8 がオンのとき、バイトプラグマの状態には 関係なく真を返します。 UTF8 フラグはスカラの中で 255(もしくは127)を超える符号位置の文字が あるということを 意味しませんUTF8 フラグの意味するところは、スカラ中のそのオクテットの並びが 文字列としてUTF-8でエンコードされた符号位置の並びだということです。 UTF8 フラグがオフであるということは文字列の中のエンコードされた 文字が 0..255 の範囲でエンコードされたオクテットであることを意味します。 Perl の Unicode モデルは本当に必要となるまで UTF-8 を使用しません。

  • uvchr_to_utf8(buf, chr) writes a Unicode character code point into a buffer encoding the code point as UTF-8, and returns a pointer pointing after the UTF-8 bytes. It works appropriately on EBCDIC machines.

    uvchr_to_utf8(buf, chr) は Unicode の文字符号位置を UTF-8 で エンコードされたの符号位置としてバッファに書き込みます。 そして、その UTF-8 バイトの後を指し示すポインタを返します。 これは EBCDIC のマシンでも適切に動作します。

  • utf8_to_uvchr(buf, lenp) reads UTF-8 encoded bytes from a buffer and returns the Unicode character code point and, optionally, the length of the UTF-8 byte sequence. It works appropriately on EBCDIC machines.

    utf8_to_uvchr(buf, lenp) はバッファから UTF-8 エンコードされたバイトを 読み出し、Unicode の文字符号位置と、オプションでその UTF-8 バイトシーケンスの長さを返します。 これは EBCDIC のマシンでも適切に動作します。

  • utf8_length(start, end) returns the length of the UTF-8 encoded buffer in characters. sv_len_utf8(sv) returns the length of the UTF-8 encoded scalar.

    utf8_length(start, end) は UTF-8 エンコードされたバッファの長さを 文字で返します。 sv_len_utf8(sv) は UTF-8 エンコードされたスカラの長さを返します。

  • sv_utf8_upgrade(sv) converts the string of the scalar to its UTF-8 encoded form. sv_utf8_downgrade(sv) does the opposite, if possible. sv_utf8_encode(sv) is like sv_utf8_upgrade except that it does not set the UTF8 flag. sv_utf8_decode() does the opposite of sv_utf8_encode(). Note that none of these are to be used as general-purpose encoding or decoding interfaces: use Encode for that. sv_utf8_upgrade() is affected by the encoding pragma but sv_utf8_downgrade() is not (since the encoding pragma is designed to be a one-way street).

    sv_utf8_upgrade(sv) はスカラの文字列をその UTF-8 エンコードされた 形式に変換します。 sv_utf8_downgrade(sv) は(可能であれば)その反対の動作をします。 sv_utf8_encode(sv)sv_utf8_upgrade に似ていますが、 UTF8 フラグをセットしない点が異なります。 これらの欠如が一般的な目的のエンコーディングやデコーディングの インターフェースとして使われていることに注意してください: use Encode がそのためにあります。 sv_utf8_upgrade() はエンコーディングプラグマに影響を受けますが、 sv_utf8_downgrade() はそうではありません(なぜならエンコーディング プラグマは一方通行にデザインされているからです)。

  • is_utf8_char(s) returns true if the pointer points to a valid UTF-8 character.

    is_utf8_char(s) はポインタが正しい UTF-8 文字を指し示しているときに 真を返します。

  • is_utf8_string(buf, len) returns true if len bytes of the buffer are valid UTF-8.

    is_utf8_string(buf, len) はバッファの len バイトが正しい UTF-8 文字であるときに真を返します。

  • UTF8SKIP(buf) will return the number of bytes in the UTF-8 encoded character in the buffer. UNISKIP(chr) will return the number of bytes required to UTF-8-encode the Unicode character code point. UTF8SKIP() is useful for example for iterating over the characters of a UTF-8 encoded buffer; UNISKIP() is useful, for example, in computing the size required for a UTF-8 encoded buffer.

    UTF8SKIP(buf) はバッファの中にある UTF-8 エンコードされた文字の バイト数を返します。 UNISKIP(chr) は UTF-8 エンコードする Unicode 文字の符号位置が要求する バイト数を返します。 UTF8SKIP() は UTF-8 エンコードされたバッファの文字に対して繰り返しを 行うような例に便利です。 UNISKIP() はたとえば、UTF-8 エンコードされたバッファの要求する大きさを 計算するのに便利です。

  • utf8_distance(a, b) will tell the distance in characters between the two pointers pointing to the same UTF-8 encoded buffer.

    utf8_distance(a, b) は同じ UTF-8 エンコードされたバッファをさす 二つのポインタの間の文字単位の距離を返します。

  • utf8_hop(s, off) will return a pointer to a UTF-8 encoded buffer that is off (positive or negative) Unicode characters displaced from the UTF-8 buffer s. Be careful not to overstep the buffer: utf8_hop() will merrily run off the end or the beginning of the buffer if told to do so.

    utf8_hop(s, off) は、UTF-8 バッファ s から Unicode で off 文字分 (正数でも負数でも) 移動した UTF-8 エンコーディングバッファへの ポインタを返します。 バッファを超えないように注意してください: utf8_hop() は、そう 指示されれば何も気にせずにバッファの先頭や末尾を踏み越えます。

  • pv_uni_display(dsv, spv, len, pvlim, flags) and sv_uni_display(dsv, ssv, pvlim, flags) are useful for debugging the output of Unicode strings and scalars. By default they are useful only for debugging--they display all characters as hexadecimal code points--but with the flags UNI_DISPLAY_ISPRINT, UNI_DISPLAY_BACKSLASH, and UNI_DISPLAY_QQ you can make the output more readable.

    pv_uni_display(dsv, spv, len, pvlim, flags)sv_uni_display(dsv, ssv, pvlim, flags) は Unicode の文字列やスカラの 出力をデバッグするのに便利です。 デフォルトではデバッグのみに便利です -- すべての 文字を 16 進の符号位置として表示します -- しかし UNI_DISPLAY_ISPRINT, UNI_DISPLAY_BACKSLASH, UNI_DISPLAY_QQ というフラグを 与えることによって、出力を読みやすくできます。

  • ibcmp_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2) can be used to compare two strings case-insensitively in Unicode. For case-sensitive comparisons you can just use memEQ() and memNE() as usual.

    ibcmp_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2) は Unicode に おいて大小文字を無視した文字列比較に使うことができます。 大小文字を意識した比較には通常どおり memEQ()memNE() を 使うことができます。

For more information, see perlapi, and utf8.c and utf8.h in the Perl source code distribution.

もっと詳しい情報は、perlapi と、Perl のソースコード配布の utf8.cutf8.h を参照してください。

バグ

ロケールとの相互作用

Use of locales with Unicode data may lead to odd results. Currently, Perl attempts to attach 8-bit locale info to characters in the range 0..255, but this technique is demonstrably incorrect for locales that use characters above that range when mapped into Unicode. Perl's Unicode support will also tend to run slower. Use of locales with Unicode is discouraged.

Unicode データと共にロケールを使うことはおかしな結果を もたらすことになりやすいです。 現在のところ、Perl は文字に 0..255 の範囲の 8 ビットロケールを 割り当てようとしていますが、このテクニックは Unicode に マップしようとしたときに先の範囲の文字を使用するロケールに対して 明らかに正しくありません。 Perl の Unicode サポートはまた、遅くなりがちです。 Unicode といっしょにロケールを使うことはお勧めできません。

Locale が指定されないときの番号 128 - 255 の範囲の文字の問題

Without a locale specified, unlike all other characters or code points, these characters have very different semantics in byte semantics versus character semantics. In character semantics they are interpreted as Unicode code points, which means they are viewed as Latin-1 (ISO-8859-1). In byte semantics, they are considered to be unassigned characters, meaning that the only semantics they have is their ordinal numbers, and that they are not members of various character classes. None are considered to match \w for example, but all match \W. Besides these class matches, the known operations that this affects are those that change the case, regular expression matching while ignoring case, and quotemeta(). This can lead to unexpected results in which a string's semantics suddenly change if a code point above 255 is appended to or removed from it, which changes the string's semantics from byte to character or vice versa. This behavior is scheduled to change in version 5.12, but in the meantime, a workaround is to always call utf8::upgrade($string), or to use the standard modules Encode or charnames.

ロケール指定がない場合、その他の文字や符号位置とは異なり、これらの文字は バイトセマンティクスと文字セマンティクスでとても異なったセマンティクスです。 文字セマンティクスでは Unicode 符号位置として解釈され、Latin-1 (ISO-8859-1) として参照されます。 バイトセマンティクスでは、未定義文字として扱われ、保持している セマンティクスはその番号だけで、様々な文字クラスのメンバにはならないことを 意味します。 例えばどれも \w にはマッチングしませんが、全て \W にマッチングします。 これらのクラスのマッチングの他に、これが影響を与えることが知られている 操作は、大文字小文字の変更、大文字小文字を無視した正規表現マッチング、 quotemeta() です。 これにより、符号位置 255 を超える文字が追加されたり削除されたりすると、 文字列のセマンティックスがバイトから文字へ(またはその逆へ)突然 変更されるという予想外の結果を引き起こすことがあります。 この振る舞いは 5.12 で変更される予定ですが、今のところの回避方法は 常に utf8::upgrade($string) を呼び出すか標準モジュール Encodecharnames を使うことです。

エクステンションとの相互作用

When Perl exchanges data with an extension, the extension should be able to understand the UTF8 flag and act accordingly. If the extension doesn't know about the flag, it's likely that the extension will return incorrectly-flagged data.

Perl がエクステンションとデータをやり取りするとき、そのエクステンションは UTF8 フラグを理解し、また、それに従った振る舞いをすべきです。 エクステンションがこのフラグについて何も知らなければ、そのエクステンションは 正しくないフラグがついたデータを返す可能性があります。

So if you're working with Unicode data, consult the documentation of every module you're using if there are any issues with Unicode data exchange. If the documentation does not talk about Unicode at all, suspect the worst and probably look at the source to learn how the module is implemented. Modules written completely in Perl shouldn't cause problems. Modules that directly or indirectly access code written in other programming languages are at risk.

そのため、もし Unicode データを扱おうというのであれば、 Unicode データの 交換に関して何らかの記述があるのなら使うモジュールすべてのドキュメントを 調べてください。 ドキュメントが Unicode に関して何の言及もしていないのなら、最悪のケースを 考慮し、そしてそのモジュールがどのように実装されているかを知るために ソースを見ることになるかもしれません。 完全に Perl で書かれたモジュールは問題を引き起こしません。 他のプログラミング言語で書かれている直接または間接にアクセスするコードに リスクがあるのです。

For affected functions, the simple strategy to avoid data corruption is to always make the encoding of the exchanged data explicit. Choose an encoding that you know the extension can handle. Convert arguments passed to the extensions to that encoding and convert results back from that encoding. Write wrapper functions that do the conversions for you, so you can later change the functions when the extension catches up.

影響を受けた関数のための、データの劣化(data corruption)を防ぐ単純な 戦略とは、交換するデータのエンコーディングを常に明確にするということです。 エクステンションが取り扱うことができると知っているエンコーディングを 選択してください。 エクステンションに渡す引数を選択したエンコーディングに変換し、 エクステンションから返ってきた結果をそのエンコーディングから 逆方向に変換します。 変換を行ってくれるラッパ関数を書いておいて、 エクステンションが追いついた時に関数を変更できるようにしておきます。

To provide an example, let's say the popular Foo::Bar::escape_html function doesn't deal with Unicode data yet. The wrapper function would convert the argument to raw UTF-8 and convert the result back to Perl's internal representation like so:

例として、まだ Unicode データを取り扱うようにはできていない、 有名な Foo::Bar::escape_html について述べましょう。 ラッパ関数は引数を生の UTF-8 に変換し、結果を Perl の内部表現に 逆変換します:

    sub my_escape_html ($) {
      my($what) = shift;
      return unless defined $what;
      Encode::decode_utf8(Foo::Bar::escape_html(Encode::encode_utf8($what)));
    }

Sometimes, when the extension does not convert data but just stores and retrieves them, you will be in a position to use the otherwise dangerous Encode::_utf8_on() function. Let's say the popular Foo::Bar extension, written in C, provides a param method that lets you store and retrieve data according to these prototypes:

エクステンションがデータを変換しないけれども格納したり取り出したりするときに、 ときとして危険な Encode::_utf8_on() 関数以外のものを 使うことがあるかもしれません。 C で書かれていて、データを以下のプロトタイプに従って格納したり 取り出したりする param メソッドを持っている 有名な Foo::Bar エクステンションについて述べてみましょう:

    $self->param($name, $value);            # set a scalar
    $value = $self->param($name);           # retrieve a scalar

If it does not yet provide support for any encoding, one could write a derived class with such a param method:

どのエンコーディングもまだサポートしていないのなら、 以下のような param メソッドを持った派生クラスを 記述することができるでしょう:

    sub param {
      my($self,$name,$value) = @_;
      utf8::upgrade($name);     # make sure it is UTF-8 encoded
      if (defined $value) {
        utf8::upgrade($value);  # make sure it is UTF-8 encoded
        return $self->SUPER::param($name,$value);
      } else {
        my $ret = $self->SUPER::param($name);
        Encode::_utf8_on($ret); # we know, it is UTF-8 encoded
        return $ret;
      }
    }

Some extensions provide filters on data entry/exit points, such as DB_File::filter_store_key and family. Look out for such filters in the documentation of your extensions, they can make the transition to Unicode data much easier.

一部のエクステンションはデータのエントリ/脱出ポイントでフィルターを 提供しています。 たとえば DB_File::filter_store_keyとその仲間です。 あなた使うエクステンションのドキュメントにあるそのようなフィルターに 注意してください。 それらは Unicode データの変化をより容易にします。

速度

Some functions are slower when working on UTF-8 encoded strings than on byte encoded strings. All functions that need to hop over characters such as length(), substr() or index(), or matching regular expressions can work much faster when the underlying data are byte-encoded.

一部の関数は UTF-8 でエンコードされた文字列に対して適用したときにバイト エンコードされた文字列に対するときよりも遅くなります。 文字に対して働く必要のある length()、substr()、index()のような関数のすべてと 正規表現マッチングは、データが バイトエンコードされているときには かなり 早く動作できます。

In Perl 5.8.0 the slowness was often quite spectacular; in Perl 5.8.1 a caching scheme was introduced which will hopefully make the slowness somewhat less spectacular, at least for some operations. In general, operations with UTF-8 encoded strings are still slower. As an example, the Unicode properties (character classes) like \p{Nd} are known to be quite a bit slower (5-20 times) than their simpler counterparts like \d (then again, there 268 Unicode characters matching Nd compared with the 10 ASCII characters matching d).

Perl 5.8.0 ではこの遅さはしばしば目立つものでした。 Perl 5.8.1 では少なくとも一部の操作については、遅さを改善することを 期待するキャッシングスキーム(caching scheme)が導入されました。 一般的には、UTF-8 エンコードされた文字列に対する操作はまだ遅いものです。 たとえば、\p{Nd} のような Unicode の特性(文字クラス)は対応する \d のような単純なものよりも目立って遅い(5 倍から10 倍)ことが 知られています(繰り返しますが、d は 10 の ASCII 文字に対して マッチするのに対して Nd は 268 の Unicode 文字にマッチします)。

EBCDIC プラットフォームであり得る問題

In earlier versions, when byte and character data were concatenated, the new string was sometimes created by decoding the byte strings as ISO 8859-1 (Latin-1), even if the old Unicode string used EBCDIC.

以前のバージョンでは、バイトデータと文字データを連結すると、 古い Unicode 文字列が EBCDIC を使っていたとしても、新しい文字列は バイト文字列を ISO 8859-1 (Latin-1) としてデコードして 作成されることがありました。

If you find any of these, please report them as bugs.

これらのどれかを発見したら、どうかバグとして報告してください。

perl 5.6.X からコードを移植する

Perl 5.8 has a different Unicode model from 5.6. In 5.6 the programmer was required to use the utf8 pragma to declare that a given scope expected to deal with Unicode data and had to make sure that only Unicode data were reaching that scope. If you have code that is working with 5.6, you will need some of the following adjustments to your code. The examples are written such that the code will continue to work under 5.6, so you should be safe to try them out.

Perl 5.8 は 5.6 とは異なる Unicode モデルを持っています。 5.6 ではプログラマは、ある与えられたスコープが Unicode データを 取り扱うのと Unicode データだけがそのスコープにあることを宣言するのに utf8 プラグマの使用を要求されていました。 5.6 で動いていたプログラムを持っているのなら、以下に挙げる微調整を施す 必要があるでしょう。 例は 5.6 でも動くように書かれているので、安心して試すことができます。

  • A filehandle that should read or write UTF-8

    UTF-8 で読み書きすべきファイルハンドル

      if ($] > 5.007) {
        binmode $fh, ":encoding(utf8)";
      }
  • A scalar that is going to be passed to some extension

    何らかのエクステンションに渡そうとするスカラ

    Be it Compress::Zlib, Apache::Request or any extension that has no mention of Unicode in the manpage, you need to make sure that the UTF8 flag is stripped off. Note that at the time of this writing (October 2002) the mentioned modules are not UTF-8-aware. Please check the documentation to verify if this is still true.

    Compress::Zlib、Apache::Request などの、マニュアルページに Unicode に 関する記載がない何らかのエクステンションで、確実に UTF8 フラグが オフにする必要があります。 これを書いている時点(2002 年 10 月)では、上記のモジュールは UTF-8 対応でないことに注意してください。 これがまだ真であるのなら、ドキュメントをチェックして確かめてください。

      if ($] > 5.007) {
        require Encode;
        $val = Encode::encode_utf8($val); # make octets
      }
  • A scalar we got back from an extension

    エクステンションから返ってきたスカラ

    If you believe the scalar comes back as UTF-8, you will most likely want the UTF8 flag restored:

    そのスカラが UTF-8 として返ってきたものだと信じているのなら、 UTF-8 フラグをリストアしたいと考えるでしょう:

      if ($] > 5.007) {
        require Encode;
        $val = Encode::decode_utf8($val);
      }
  • Same thing, if you are really sure it is UTF-8

    同様に、UTF-8 だと確信しているのなら

      if ($] > 5.007) {
        require Encode;
        Encode::_utf8_on($val);
      }
  • A wrapper for fetchrow_array and fetchrow_hashref

    fetchrow_array と fetchrow_hashref へのラッパ

    When the database contains only UTF-8, a wrapper function or method is a convenient way to replace all your fetchrow_array and fetchrow_hashref calls. A wrapper function will also make it easier to adapt to future enhancements in your database driver. Note that at the time of this writing (October 2002), the DBI has no standardized way to deal with UTF-8 data. Please check the documentation to verify if that is still true.

    データベースが UTF-8 のみから構成されているとき、ラッパ関数や ラッパメソッドはあなたの fetchrow_array や fetchrow_hashref の呼び出しを 置き換えるのに便利な方法でしょう。 ラッパ関数はまた、あなたの使っているデータベースドライバが 将来拡張されたときに適用しやすくするでしょう。 このドキュメントを書いている時点(2002 年 10 月)では、DBI は UTF-8 のデータを 扱う標準的な方法を持っていません。 これがまだ真ならドキュメントをチェックして確かめてください。

      sub fetchrow {
        my($self, $sth, $what) = @_; # $what is one of fetchrow_{array,hashref}
        if ($] < 5.007) {
          return $sth->$what;
        } else {
          require Encode;
          if (wantarray) {
            my @arr = $sth->$what;
            for (@arr) {
              defined && /[^\000-\177]/ && Encode::_utf8_on($_);
            }
            return @arr;
          } else {
            my $ret = $sth->$what;
            if (ref $ret) {
              for my $k (keys %$ret) {
                defined && /[^\000-\177]/ && Encode::_utf8_on($_) for $ret->{$k};
              }
              return $ret;
            } else {
              defined && /[^\000-\177]/ && Encode::_utf8_on($_) for $ret;
              return $ret;
            }
          }
        }
      }
  • A large scalar that you know can only contain ASCII

    ASCII だけが含まれていると分かっている大きなスカラ

    Scalars that contain only ASCII and are marked as UTF-8 are sometimes a drag to your program. If you recognize such a situation, just remove the UTF8 flag:

    ASCII だけから構成されているのに UTF8 として印付けされているスカラが あなたのプログラムへ引きずりこまれることがあります。 そのような場合を認識したならば、単に UTF-8 フラグを取り除いてください:

      utf8::downgrade($val) if $] > 5.007;

SEE ALSO

perlunitut, perluniintro, Encode, open, utf8, bytes, perlretut, "${^UNICODE}" in perlvar