5.30.0

名前

perlunicode - Unicode support in Perl

perlunicode - Perl における Unicode サポート

説明

If you haven't already, before reading this document, you should become familiar with both perlunitut and perluniintro.

もしまだなら、この文書を読む前に、perlunitutperluniintro に 親しんでおく方が良いでしょう。

Unicode aims to UNI-fy the en-CODE-ings of all the world's character sets into a single Standard. For quite a few of the various coding standards that existed when Unicode was first created, converting from each to Unicode essentially meant adding a constant to each code point in the original standard, and converting back meant just subtracting that same constant. For ASCII and ISO-8859-1, the constant is 0. For ISO-8859-5, (Cyrillic) the constant is 864; for Hebrew (ISO-8859-8), it's 1488; Thai (ISO-8859-11), 3424; and so forth. This made it easy to do the conversions, and facilitated the adoption of Unicode.

Unicode は世界中の全ての文字集合のエンコーディング(en-CODE-ings) を 一つの標準に統合(UNI-fy)することを目標としています。 Unicode が最初に作られたといに存在していたいくつかの符号標準に ついては、それぞれから Unicode への変換は、元の標準のそれぞれの符号位置に ある定数を足すことで、 逆変換は単に同じ定数を引くことでした。 ASCII と ISO-8859-1 では、定数は 0 です。 ISO-8859-5 (キリル文字) では、定数は 864 です; ヘブライ文字 (ISO-8859-8) では、これは 1488 です; タイ (ISO-8859-11) は 3424、などです。 これは変換を容易にし、Unicode の採用を促進しました。

And it worked; nowadays, those legacy standards are rarely used. Most everyone uses Unicode.

そしてこれはうまくいきました; 最近は、これらの昔の標準はめったに使われません。 ほとんどみんなが Unicode を使います。

Unicode is a comprehensive standard. It specifies many things outside the scope of Perl, such as how to display sequences of characters. For a full discussion of all aspects of Unicode, see http://www.unicode.org.

Unicode は包括的な標準です。 これは、文字の並びをどのように表示するかといった、Perl のスコープの 範囲外の多くのことを規定します。 Unicode のあらゆる側面に関する完全な議論については、 http://www.unicode.org を参照してください。

重要な警告

Even though some of this section may not be understandable to you on first reading, we think it's important enough to highlight some of the gotchas before delving further, so here goes:

この節の一部は最初に読んだときには理解できないかもしれませんが、 さらに掘り下げる前にいくつかの癖について強調することは重要だと考えたので、 ここで行います:

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.

Unicode 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。

Also, the use of Unicode may present security issues that aren't obvious, see "Security Implications of Unicode" below.

また、Unicode を使うと、明らかではないセキュリティ問題が姿を現すかも 知れません; 後述の "Security Implications of Unicode" を参照してください。

Safest if you use feature 'unicode_strings'

(use feature 'unicode_strings' とすれば一番安全)

In order to preserve backward compatibility, Perl does not turn on full internal Unicode support unless the pragma use feature 'unicode_strings' is specified. (This is automatically selected if you use 5.012 or higher.) Failure to do this can trigger unexpected surprises. See "The "Unicode Bug"" below.

後方互換性を維持するために、Perl は use feature 'unicode_strings' プラグマが指定されない限り 完全な内部 Unicode 対応をオンにしません。 (これは use 5.012 以上を使うと自動的に選択されます。) こうするのに失敗すると予測できない驚きを引き起こすかも知れません。 後述する "The "Unicode Bug"" を参照してください。

This pragma doesn't affect I/O. Nor does it change the internal representation of strings, only their interpretation. There are still several places where Unicode isn't fully supported, such as in filenames.

このプラグマは I/O には影響しません。 また、文字列の内部表現も変更しません; その解釈だけです。 ファイル名のように Unicode に完全に対応していない場所がいくつかあります。

Input and Output Layers

(入出力層)

Use the :encoding(...) layer to read from and write to filehandles using the specified encoding. (See open.)

特定のエンコーディングを使ってファイルハンドルと読み書きするには、 :encoding(...) 層を使ってください。 (open を参照してください。)

You must convert your non-ASCII, non-UTF-8 Perl scripts to be UTF-8.

(非 ASCII、非 UTF-8 Perl スクリプトは UTF-8 に変換しなければなりません)

The encoding module has been deprecated since perl 5.18 and the perl internals it requires have been removed with perl 5.26.

encoding モジュールは perl 5.18 から廃止予定で、 これが要求している perl の内部は perl 5.26 で削除されました。

use utf8 still needed to enable UTF-8 in scripts

(スクリプト内で UTF-8 を有効にするには、まだ use utf8 が必要です)

If your Perl script is itself encoded in UTF-8, the use utf8 pragma must be explicitly included to enable recognition of that (in string or regular expression literals, or in identifier names). This is the only time when an explicit use utf8 is needed. (See utf8).

Perl スクリプト自身が UTF-8 で エンコードされている場合、Perl スクリプトそれ自身の 中を(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。)

If a Perl script begins with the bytes that form the UTF-8 encoding of the Unicode BYTE ORDER MARK (BOM, see "Unicode Encodings"), those bytes are completely ignored.

Perl スクリプトが Unicode のバイト順マーク (BYTE ORDER MARK, BOM, "Unicode Encodings" 参照) の UTF-8 エンコーディングを示すバイト列で始まっている場合、 これらのバイト列は完全に無視されます。

UTF-16 scripts autodetected

(UTF-16 スクリプトは自動認識されます)

If a Perl script begins with the Unicode BOM (UTF-16LE, UTF16-BE), or if the script looks like non-BOM-marked UTF-16 of either endianness, Perl will correctly read in the script as the appropriate Unicode encoding.

しかし、Unicode BOM (UTF-16LE, UTF16-BE)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 適切な Unicode エンコーディングとして正しく読み込みます。

バイトと文字のセマンティクス

Before Unicode, most encodings used 8 bits (a single byte) to encode each character. Thus a character was a byte, and a byte was a character, and there could be only 256 or fewer possible characters. "Byte Semantics" in the title of this section refers to this behavior. There was no need to distinguish between "Byte" and "Character".

Unicode 以前、ほとんどのエンコーディングはそれぞれの文字のエンコードに 8 ビット (1 バイト) を使っていました。 従って文字はバイトであり、バイトは文字であり、可能な文字は 256 文字 以下でした。 この章のタイトルである「バイトのセマンティクス」は、この振る舞いを 示しています。 「バイト」と「文字」を区別する必要はありませんでした。

Then along comes Unicode which has room for over a million characters (and Perl allows for even more). This means that a character may require more than a single byte to represent it, and so the two terms are no longer equivalent. What matter are the characters as whole entities, and not usually the bytes that comprise them. That's what the term "Character Semantics" in the title of this section refers to.

それから、100 万文字以上を扱える (そして Perl はもっと扱える) Unicode が 登場します。 これは、一つの文字を表現するのに複数バイトが必要になる場合があり、 二つの用語はもはや等価ではないということを意味します。 問題となるのはエンティティ全体としての文字であり、通常はそれを構成する バイトではありません。 これが、この章のタイトルにある「文字セマンティクス」が指しているものです。

Perl had to change internally to decouple "bytes" from "characters". It is important that you too change your ideas, if you haven't already, so that "byte" and "character" no longer mean the same thing in your mind.

Perl は、「バイト」と「文字」から切り離すために内部を変更する 必要がありました。 あなたの頭の中で「バイト」と「文字」はもはや同じものを 意味しないように、(もしまだなら)考え方を変えることが重要です。

The basic building block of Perl strings has always been a "character". The changes basically come down to that the implementation no longer thinks that a character is always just a single byte.

Perl の文字列の基礎要素は常に「文字」でした。 変更は基本的に、実装はもはや文字が常に 1 バイトであるとは 考えないということです。

There are various things to note:

記しておくべき様々なことがあります:

  • String handling functions, for the most part, continue to operate in terms of characters. length(), for example, returns the number of characters in a string, just as before. But that number no longer is necessarily the same as the number of bytes in the string (there may be more bytes than characters). The other such functions include chop(), chomp(), substr(), pos(), index(), rindex(), sort(), sprintf(), and write().

    文字列処理関数は、ほとんどの場合、引き続き文字に関して動作します。 たとえば length() は、以前と同じように文字列内の文字の数を返します。 しかし、その数はもはや文字列内のバイト数と常に同じではありません (文字数よりもバイト数が多い場合があります)。 その他のそのような関数には、 chop(), chomp(), substr(), pos(), index(), rindex(), sort(), sprintf(), and write() があります。

    The exceptions are:

    例外は:

    • the bit-oriented vec

      ビット単位の vec

       

    • the byte-oriented pack/unpack "C" format

      バイト単位の pack/unpack "C" フォーマット

      However, the W specifier does operate on whole characters, as does the U specifier.

      しかし、W 指示子は U 指示子と同様、文字全体を操作します。

    • some operators that interact with the platform's operating system

      プラットフォームのオペレーティングシステムと相互作用する一部の演算子

      Operators dealing with filenames are examples.

      例としてはファイル名を扱う演算子です。

    • when the functions are called from within the scope of the use bytes pragma

      関数が use bytes プラグマのスコープ内から呼び出された場合

      Likely, you should use this only for debugging anyway.

      おそらく、これはデバッグのためだけに行うべきです。

  • Strings--including hash keys--and regular expression patterns may contain characters that have ordinal values 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 use utf8, the latter may require 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 use utf8 を必要とし、後者は BOM を必要とするかもしれません。)

    "Creating Unicode" in perluniintro gives other ways to place non-ASCII characters in your strings.

    "Creating Unicode" in perluniintro は、文字列に非 ASCII 文字を置くための その他の方法を提供します。

  • The chr() and ord() functions work on whole characters.

    chr() 関数と ord() 関数は文字全体に対して働きます。

  • Regular expressions match whole characters. For example, "." matches a whole character instead of only a single byte.

    正規表現は文字全体にマッチします。 例えば、"." は 1 バイトだけではなく、ひとつの文字全体にマッチします。

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

    tr/// 演算子は文字全体を変換します。 tr///CU は削除されたことに注意してください。 (これと同様のことを行うには pack('U0', ...)pack('C0', ...) を 参照してください。)

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

    scalar reverse() はバイト単位ではなく文字単位で 反転を行います。

  • The bit string operators, & | ^ ~ and (starting in v5.22) &. |. ^. ~. can operate on bit strings encoded in UTF-8, but this can give unexpected results if any of the strings contain code points above 0xFF. Starting in v5.28, it is a fatal error to have such an operand. Otherwise, the operation is performed on a non-UTF-8 copy of the operand. If you're not sure about the encoding of a string, downgrade it before using any of these operators; you can use utf8::utf8_downgrade().

    ビット文字列演算子 & | ^ ~ および (v5.22 からの) &. |. ^. ~. は UTF-8 でエンコードされたビット文字列を 操作できますが、文字列の一部に 0xFF を超える符号位置を含んでいる場合、 予想外の結果になるかもしれません。 v5.28 から、そのようなオペランドに対しては致命的エラーになります。 さもなければ、処理はオペランドの非 UTF-8 のコピーに対して行われます。 文字列のエンコーディンがはっきりしない場合、 これらの演算子を使う前に降格してください; utf8::utf8_downgrade() が使えます。

The bottom line is that Perl has always practiced "Character Semantics", but with the advent of Unicode, that is now different than "Byte Semantics".

まとめとしては、Perl は常に「文字の意味論」で動作しますが、 Unicode の搭乗により、これは「バイトの意味論」とは 異なるようになっています。

ASCII 規則対 Unicode 規則

Before Unicode, when a character was a byte was a character, Perl knew only about the 128 characters defined by ASCII, code points 0 through 127 (except for under use locale). That left the code points 128 to 255 as unassigned, and available for whatever use a program might want. The only semantics they have is their ordinal numbers, and that they are members of none of the non-negative character classes. None are considered to match \w for example, but all match \W.

Unicode 以前、文字はバイトでバイトは文字という時代は、 Perl は ASCII で定義された 128 文字、符号位置 0 から 127 に ついてしか知りませんでした (use locale の下を除く)。 そのため、符号位置 128 から 255 は割り当てられておらず、プログラムが 望むあらゆる用途に利用可能でした。 それらが持つ唯一のセマンティクスは序数であり、 それらは否定でない文字クラスのメンバーではありません。 たとえば、どれも \w にマッチングするとは見なされず、すべてが \W に マッチングします。

Unicode, of course, assigns each of those code points a particular meaning (along with ones above 255). To preserve backward compatibility, Perl only uses the Unicode meanings when there is some indication that Unicode is what is intended; otherwise the non-ASCII code points remain treated as if they are unassigned.

Unicodeはもちろん、これらの符号位置のそれぞれに特定の意味を割り当てます (255 より上も同様です)。 後方互換性を保つために、Perl は Unicode が意図されたものであることを示す 何らかの表示がある場合にのみ Unicode の意味を使用します; それ以外の場合、非 ASCII 符号位置は、割り当てられていないものとして 扱われます。

Here are the ways that Perl knows that a string should be treated as Unicode:

次のものは、文字列が Unicode として扱われるべきと Perl が分かる方法です:

  • Within the scope of use utf8

    use utf8 のスコープの内側

    If the whole program is Unicode (signified by using 8-bit Unicode Transformation Format), then all literal strings within it must be Unicode.

    プログラム全体が (8-bit Unicode Transformation Format を 使うことで示される) Unicode の場合、その中の全てのリテラルな文字列は Unicode でなければなりません。

  • Within the scope of use feature 'unicode_strings'

    use feature 'unicode_strings' のスコープの内側

    This pragma was created so you can explicitly tell Perl that operations executed within its scope are to use Unicode rules. More operations are affected with newer perls. See "The "Unicode Bug"".

    このプラグマは、このスコープ内で実行される操作は Unicode の規則が 使われるべきということを明示的に Perl に伝えるために作られました。 より新しい perl では更なる操作が影響を受けます。 "The "Unicode Bug"" を参照してください。

  • Within the scope of use 5.012 or higher

    use 5.012 以上のスコープの内側

    This implicitly turns on use feature 'unicode_strings'.

    これは暗黙に use feature 'unicode_strings' を有効にします。

  • Within the scope of use locale 'not_characters', or use locale and the current locale is a UTF-8 locale.

    use locale 'not_characters'use locale のスコープ内で、現在のロケールが UTF-8 ロケール。

    The former is defined to imply Unicode handling; and the latter indicates a Unicode locale, hence a Unicode interpretation of all strings within it.

    前者は Unicode の扱いを暗示し、後者は Unicode ロケールを示すので、 この中の全ての文字列は Unicode の解釈になります。

  • When the string contains a Unicode-only code point

    文字列が Unicode のみの符号位置を含んでいるとき

    Perl has never accepted code points above 255 without them being Unicode, so their use implies Unicode for the whole string.

    Perl は Unicode でない限り 255 を超える符号位置を決して受け入れないので、 これらを使うと文字列全体が Unicode であることを暗示します。

  • When the string contains a Unicode named code point \N{...}

    文字列が Unicode の名前付き符号位置 \N{...} を含んでいるとき

    The \N{...} construct explicitly refers to a Unicode code point, even if it is one that is also in ASCII. Therefore the string containing it must be Unicode.

    \N{...} 構文は、たとえ ASCII にもあるものだとしても、 明示的に Unicode 符号位置を参照します。 従ってこれを含む文字列は Unicode でなければなりません。

  • When the string has come from an external source marked as Unicode

    文字列が Unicode とマークされている外部ソースから来たとき

    The -C command line option can specify that certain inputs to the program are Unicode, and the values of this can be read by your Perl code, see "${^UNICODE}" in perlvar.

    -C コマンドラインオプションは プログラムへの特定の入力が Unicode であることを指定でき、その値は Perl のコードで読み込めます; "${^UNICODE}" in perlvar を参照してください。

  • When the string has been upgraded to UTF-8

    (文字列が UTF-8 に昇格したとき)

    The function utf8::utf8_upgrade() can be explicitly used to permanently (unless a subsequent utf8::utf8_downgrade() is called) cause a string to be treated as Unicode.

    utf8::utf8_upgrade() 関数は、 (後に utf8::utf8_downgrade() が呼び出されるまで) 恒久的に文字列を Unicode として扱うことを明示的に示すために使われます。

  • There are additional methods for regular expression patterns

    (正規表現パターンに追加の手法があるとき)

    A pattern that is compiled with the /u or /a modifiers is treated as Unicode (though there are some restrictions with /a). Under the /d and /l modifiers, there are several other indications for Unicode; see "Character set modifiers" in perlre.

    /u/a の修飾子付きでコンパイルされたパターンは、 Unicode として扱われます (但し、/a にはいくつかの制限があります)。 /d/l の修飾子の下では、Unicode を示す他の方法がいくつか あります; "Character set modifiers" in perlre を参照してください。

Note that all of the above are overridden within the scope of use bytes; but you should be using this pragma only for debugging.

前述の全ては use bytes のスコープ内では上書きされます; しかしこのプラグマはデバッグ用にのみ使うべきです。

Note also that some interactions with the platform's operating system never use Unicode rules.

また、プラットフォームのオペレーティングシステムとの相互作用の一部は 決して Unicode の規則を使いません。

When Unicode rules are in effect:

Unicode の規則が有効の場合:

  • Case translation operators use the Unicode case translation tables.

    大小文字の変換演算子は Unicode の大小文字変換テーブルを使用します。

    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 (which is equivalent to uppercase in languages without the distinction).

    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 (これは、区別がない言語では大文字と等価です)。

    There is a CPAN module, Unicode::Casing, which allows you to define your own mappings to be used in lc(), lcfirst(), uc(), ucfirst(), and fc (or their double-quoted string inlined versions such as \U). (Prior to Perl 5.16, this functionality was partially provided in the Perl core, but suffered from a number of insurmountable drawbacks, so the CPAN module was written instead.)

    lc(), lcfirst(), uc(), ucfirst(), fc (および \U のような ダブルクォート文字列インライン版) で使える独自のマッピングを定義できる CPAN モジュール Unicode::Casing があります。 (Perl 5.16 以前では、この機能は Perl コアで部分的に提供されていましたが、 多くの克服できない欠点があったため、代わりに CPAN モジュールが書かれました。)

  • Character classes in regular expressions match based on the character properties specified in the Unicode properties database.

    正規表現の文字クラスは、Unicode 特性データベースで定義されている文字特性を 基にしてマッチングします。

    \w can be used to match a Japanese ideograph, for instance; and [[:digit:]] a Bengali number.

    例えば、\w は日本語の文字にマッチングするために使われ、 [[:digit:]] はベンガル数字に使われます。

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

    名前付き Unicode 特性、用字、ブロック範囲は、 \p{} 「特性にマッチング」構文および否定である \P{} 「特性にマッチングしない」を使って(大かっこ文字クラスのように)使えます。

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

    独自の文字特性を定義して、\p{}\P{} 構文によって 正規表現でそれらを使うことができます。 さらなる詳細については "User-Defined Character Properties" を 参照してください。

拡張書記素クラスタ (論理文字)

Consider a character, say H. It could appear with various marks around it, such as an acute accent, or a circumflex, or various hooks, circles, arrows, etc., above, below, to one side or the other, etc. There are many possibilities among the world's languages. The number of combinations is astronomical, and if there were a character for each combination, it would soon exhaust Unicode's more than a million possible characters. So Unicode took a different approach: there is a character for the base H, and a character for each of the possible marks, and these can be variously combined to get a final logical character. So a logical character--what appears to be a single character--can be a sequence of more than one individual characters. The Unicode standard calls these "extended grapheme clusters" (which is an improved version of the no-longer much used "grapheme cluster"); Perl furnishes the \X regular expression construct to match such sequences in their entirety.

一つの文字、例えば H について考えてみます。 これは文字の回りの様々なマークと共に現れることがあって、 鋭アクセント、曲折アクセント、フック、円、矢など、上、下、左、右、などです。 世界中の言語の中では多くの可能性があります。 組み合わせの数は天文学的で、 それぞれの組み合わせを一つの文字にすると、Unicode の数百万の可能な文字を すぐに使い切ってしまいます。 それで Unicode は異なる手法を取りました: 基本となる H を一つの文字として、 それぞれの可能なマークのそれぞれを一つの文字として、 最後に論理的な文字でこれらを様々に結合できるようにしました。 それで一つの論理文字--単一の文字として現れるもの--は 複数の独立した文字の並びになることがあります。 Unicode 標準はこれを「拡張書記素クラスタ」("extended grapheme cluster") (もはやあまり使われない「書記素クラスタ」"grapheme cluster" の改良版) と 呼びます; Perl はこのような並び丸ごとにマッチングする \X 正規表現構文を 用意しています。

But Unicode's intent is to unify the existing character set standards and practices, and several pre-existing standards have single characters that mean the same thing as some of these combinations, like ISO-8859-1, which has quite a few of them. For example, "LATIN CAPITAL LETTER E WITH ACUTE" was already in this standard when Unicode came along. Unicode therefore added it to its repertoire as that single character. But this character is considered by Unicode to be equivalent to the sequence consisting of the character "LATIN CAPITAL LETTER E" followed by the character "COMBINING ACUTE ACCENT".

しかし、Unicode の目的は、既存の文字集合の標準とプラクティスを 統合することであり、いくつかの既存の標準には、これらの組み合わせの いくつかと同じことを意味する単一の文字があります; たとえば、ISO-8859-1 には、かなりの数のそのような文字があります。 たとえば、"LATIN CAPITAL LETTER E WITH ACUTE" は、Unicode が 登場したときにすでにこの標準に含まれていました。 したがって、Unicode はそれを単一の文字としてレパートリーに追加しました。 しかし、Unicode では、この文字は、文字 "LATIN CAPITAL LETTER E" の後に 文字 "COMBINING ACUTE ACCENT" が続く並びと等価であると見なされます。

"LATIN CAPITAL LETTER E WITH ACUTE" is called a "pre-composed" character, and its equivalence with the "E" and the "COMBINING ACCENT" sequence is called canonical equivalence. All pre-composed characters are said to have a decomposition (into the equivalent sequence), and the decomposition type is also called canonical. A string may be comprised as much as possible of precomposed characters, or it may be comprised of entirely decomposed characters. Unicode calls these respectively, "Normalization Form Composed" (NFC) and "Normalization Form Decomposed". The Unicode::Normalize module contains functions that convert between the two. A string may also have both composed characters and decomposed characters; this module can be used to make it all one or the other.

"LATIN CAPITAL LETTER E WITH ACUTE" は「合成済」(pre-composed) 文字と 呼ばれ、"E" および "COMBINING ACCENT" と等価な並びは正準等価 (canonical equivalence) と呼ばれます。 全ての合成済文字は(等価な並びに)分解でき、分解の種類もまた正準と呼ばれます。 文字列は、可能な限り合成済文字で構成される場合もあれば、 完全に分解された文字で構成される場合もあります。 Unicode では、これらをそれぞれ 「正規化形式 C」("Normalization Form Composed": NFC) と "Normalization Form Decomposed" と呼んでいます。 Unicode::Normalize モジュールには、 二つの文字を変換する関数が含まれています。 文字列は、合成された文字と分解された文字の両方を持つこともできます。 このモジュールを使用して、すべてを片方にすることも、 もう片方にすることもできます。

You may be presented with strings in any of these equivalent forms. There is currently nothing in Perl 5 that ignores the differences. So you'll have to specially handle it. The usual advice is to convert your inputs to NFD before processing further.

これらの同等のどの形式でも文字列が表現される場合があります。 現在のところ、Perl 5 にはこの違いを無視するものは何もありません。 そのため、特別にそれを扱う必要があります。 通常のアドバイスは、処理を進める前に入力を NFD に変換することです。

For more detailed information, see http://unicode.org/reports/tr15/.

さらに詳しい情報については、http://unicode.org/reports/tr15/ を 参照してください。

Unicode 文字特性

(The only time that Perl considers a sequence of individual code points as a single logical character is in the \X construct, already mentioned above. Therefore "character" in this discussion means a single Unicode code point.)

(Perl が個々の符号位置の並びを単一の論理文字として扱う 唯一のタイミングは、既に前述した \X 構文です。 従って、この議論での「文字」は単一の Unicode 符号位置を意味します。)

Very nearly all Unicode character properties are accessible through regular expressions by using the \p{} "matches property" construct and the \P{} "doesn't match property" for its negation.

ほぼ全ての Unicode 文字特性は、 \p{} "matches property" 構文とその否定形の \P{} "doesn't match property" を使った正規表現を通してアクセス可能です。

For instance, \p{Uppercase} matches any single character with the Unicode "Uppercase" property, while \p{L} matches any character with a General_Category of "L" (letter) property (see "General_Category" below). Brackets are not required for single letter property names, so \p{L} is equivalent to \pL.

たとえば、\p{Uppercase} は Unicode の "Uppercase" 特性を持つ任意の 単一の文字にマッチングし、\p{L}General_Category "L" (letter) 特性を持つ任意の文字にマッチングします (後述する "General_Category" 参照)。 中かっこは一文字の特性名では省略することができるので、\p{L}\pL と等価です。

More formally, \p{Uppercase} matches any single character whose Unicode Uppercase property value is True, and \P{Uppercase} matches any character whose Uppercase property value is False, and they could have been written as \p{Uppercase=True} and \p{Uppercase=False}, respectively.

より正式には、\p{Uppercase} は Unicode の Uppercase 特性値 が True である任意の単一の文字とマッチングし、\P{UpperCase}UpperCase 特性値 が False である任意の文字とマッチングします; そしてこれらはそれぞれ \p{Uppercase=True}, \p{Uppercase=False} と書けます。

This formality is needed when properties are not binary; that is, if they can take on more values than just True and False. For example, the Bidi_Class property (see "Bidirectional Character Types" below), can take on several different values, such as Left, Right, Whitespace, and others. To match these, one needs to specify both the property name (Bidi_Class), AND the value being matched against (Left, Right, etc.). This is done, as in the examples above, by having the two components separated by an equal sign (or interchangeably, a colon), like \p{Bidi_Class: Left}.

この形式は、特性が 2 値でない場合、つまり、単に TrueFalse より多くの 値を取ることができる場合に必要です。 たとえば、Bidi_Class 特性("Bidirectional Character Types" を参照)は、 Left, Right, Whitespace などのさまざまな値を取ることができます。 これらにマッチングするには、特性名(Bidi_Class)と、 マッチングする値 (Left, Right など) の両方を指定する必要があります。 これは、前述の例のように、二つの要素を等号 (または、\p{Biddi_Class:Left} のように交換可能なコロン)で 区切ることによって、実行されます。

All Unicode-defined character properties may be written in these compound forms of \p{property=value} or \p{property:value}, but Perl provides some additional properties that are written only in the single form, as well as single-form short-cuts for all binary properties and certain others described below, in which you may omit the property name and the equals or colon separator.

すべての Unicode が定義した文字特性は、\p{property=value}\p{property:value} のような複合形式で書けますが、 Perl は特性名および等号やコロンの区切り文字を省略できるように、 単一形式でのみ書ける追加の特性や、全ての 2 値特性と一部の後述する ものに対する単一形式のショートカットを提供します。

Most Unicode character properties have at least two synonyms (or aliases if you prefer): a short one that is easier to type and a longer one that is more descriptive and hence easier to understand. Thus the "L" and "Letter" properties above are equivalent and can be used interchangeably. Likewise, "Upper" is a synonym for "Uppercase", and we could have written \p{Uppercase} equivalently as \p{Upper}. Also, there are typically various synonyms for the values the property can be. For binary properties, "True" has 3 synonyms: "T", "Yes", and "Y"; and "False" has correspondingly "F", "No", and "N". But be careful. A short form of a value for one property may not mean the same thing as the same short form for another. Thus, for the "General_Category" property, "L" means "Letter", but for the Bidi_Class property, "L" means "Left". A complete list of properties and synonyms is in perluniprops.

ほとんどの Unicode 文字特性には、少なくとも二つの同義語 (またはあなたが好むなら別名)があります; 簡単に入力できる短いものと、 より長いけれども説明的で理解しやすいものです。 したがって、前述の "L" および "Letter" 特性は等価であり、 交換可能です。 同様に、"Upper""Uppercase" の同義語であり、\p{Uppercase} は 等価に \p{Upper} と書けます。 また、典型的には特性の値に対してさまざまな同義語があります。 2 値特性の場合、"True" には三つの同義語があります: "T", "Yes", "Y"; "False" には "F", "No", "N" が あります。 しかし注意してください。 ある特性に対する値の短い形式は、他の特性の同じ短い形式と同じものを 意味するとは限りません。 従って、"General_Category" 特性では "L""Letter" を 意味しますが、Bidi_Class 特性では、 "L""Left" を意味します。 特性および同義語の完全な一覧は perluniprops にあります。

Upper/lower case differences in property names and values are irrelevant; thus \p{Upper} means the same thing as \p{upper} or even \p{UpPeR}. Similarly, you can add or subtract underscores anywhere in the middle of a word, so that these are also equivalent to \p{U_p_p_e_r}. And white space is irrelevant adjacent to non-word characters, such as the braces and the equals or colon separators, so \p{ Upper } and \p{ Upper_case : Y } are equivalent to these as well. In fact, white space and even hyphens can usually be added or deleted anywhere. So even \p{ Up-per case = Yes} is equivalent. All this is called "loose-matching" by Unicode. The few places where stricter matching is used is in the middle of numbers, and in the Perl extension properties that begin or end with an underscore. Stricter matching cares about white space (except adjacent to non-word characters), hyphens, and non-interior underscores.

特性名と値の大文字と小文字の違いは無関係です; したがって \p{Upper}\p{upper}, さらには \p{UpPeR} とも同じことを 意味します。 同様に、単語の中のどこにでも下線を追加または削除できるので、 これらは \p{U_p_p_e_r} とも等価です。 また、中かっこや等号、コロンなどの非単語文字に隣接した空白は無視されるので、 \p{ Upper } and \p{ Upper_case : Y } も等価です。 実際には、通常、空白とハイフンさえどこにでも追加または削除できます。 したがって、\p{Upper case=Yes} ですらも等価です。 これはすべて Unicode で「緩いマッチング」と呼ばれます。 数少ない厳密なマッチングが採用されている場所は数値の中と、下線で始まったり 終わったりする Perl 拡張特性です。 より厳密なマッチングは空白(非単語文字に隣接するものを除く)、ハイフン、 非内部下線を考慮します。

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。

Almost all properties are immune to case-insensitive matching. That is, adding a /i regular expression modifier does not change what they match. There are two sets that are affected. The first set is Uppercase_Letter, Lowercase_Letter, and Titlecase_Letter, all of which match Cased_Letter under /i matching. And the second set is Uppercase, Lowercase, and Titlecase, all of which match Cased under /i matching. This set also includes its subsets PosixUpper and PosixLower both of which under /i match PosixAlpha. (The difference between these sets is that some things, such as Roman numerals, come in both upper and lower case so they are Cased, but aren't considered letters, so they aren't Cased_Letter's.)

ほとんど全ての特性は大文字小文字を考慮したマッチングの影響を受けません。 つまり、/i 正規表現修飾子を追加することは、 それらがマッチングするものを変えません。 影響を受ける二つの集合があります。 最初の集合は、 Uppercase_Letter, Lowercase_Letter, Titlecase_Letter, /i の下で Cased_Letter にマッチングする全てです。 二番目の集合は、 Uppercase, Lowercase, Titlecase, /i マッチングの基で Cased にマッチングする全てです。 この集合はまた、/i マッチングの基で PosixAlpha にマッチングする そのサブセット PosixUpperPosixLower を含みます。 (これらの集合の違いは、ローマ数字のような一部のもので、 大文字と小文字の両方に含まれるので Cased であるけれども、 しかし字と考えられないので、Cased_Letter ではありません。)

See "Beyond Unicode code points" for special considerations when matching Unicode properties against non-Unicode code points.

非 Unicode 符号位置に対して Unicode 特性をマッチングしたときの 特殊処理については "Beyond Unicode code points" を参照してください。

General_Category

Every Unicode character is assigned a general category, which is the "most usual categorization of a character" (from http://www.unicode.org/reports/tr44).

全ての Unicode 文字は一つの一般カテゴリに割り当てられています; これは「その文字の最も普通のカテゴライズ」 (http://www.unicode.org/reports/tr44 より)です。

The compound way of writing these is like \p{General_Category=Number} (short: \p{gc:n}). But Perl furnishes shortcuts in which everything up through the equal or colon separator is omitted. So you can instead just write \pN.

これらを書く複合的な方法は \p{General_Category=Number} (短縮形: \p{gc:n}) のようなものです。 Perl は等号またはコロンの区切り文字までの全てを省略できる機能を 提供しています。 従って、代わりに単に \pN と書けます。

Here are the short and long forms of the values the General Category property can have:

以下は、Unicode の 一般カテゴリ 特性が持つことができる値の 短形式と長形式です:

    Short       Long

    L           Letter
    LC, L&      Cased_Letter (that is: [\p{Ll}\p{Lu}\p{Lt}])
    Lu          Uppercase_Letter
    Ll          Lowercase_Letter
    Lt          Titlecase_Letter
    Lm          Modifier_Letter
    Lo          Other_Letter

    M           Mark
    Mn          Nonspacing_Mark
    Mc          Spacing_Mark
    Me          Enclosing_Mark

    N           Number
    Nd          Decimal_Number (also Digit)
    Nl          Letter_Number
    No          Other_Number

    P           Punctuation (also Punct)
    Pc          Connector_Punctuation
    Pd          Dash_Punctuation
    Ps          Open_Punctuation
    Pe          Close_Punctuation
    Pi          Initial_Punctuation
                (may behave like Ps or Pe depending on usage)
    Pf          Final_Punctuation
                (may behave like Ps or Pe depending on usage)
    Po          Other_Punctuation

    S           Symbol
    Sm          Math_Symbol
    Sc          Currency_Symbol
    Sk          Modifier_Symbol
    So          Other_Symbol

    Z           Separator
    Zs          Space_Separator
    Zl          Line_Separator
    Zp          Paragraph_Separator

    C           Other
    Cc          Control (also Cntrl)
    Cf          Format
    Cs          Surrogate
    Co          Private_Use
    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: both are aliases for the set consisting of everything matched by 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& は特別です: 両方とも Ll, Lu, Lt に マッチングする全てからなる集合への別名です。

Bidirectional Character Types

(双方向文字型)

Because scripts differ in their directionality (Hebrew and Arabic are written right to left, for example) Unicode supplies a Bidi_Class property. Some of the values this property can have are:

用字はその方向性で異なるので (例えばヘブライ語とアラビア語は右から左に 書きます) Unicode は以下の特性を Bidi_Class 特性で提供しています。 この特性が持つことができる値の一部は:

    Value       Meaning

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

This property is always written in the compound form. For example, \p{Bidi_Class:R} matches characters that are normally written right to left. Unlike the "General_Category" property, this property can have more values added in a future Unicode release. Those listed above comprised the complete set for many Unicode releases, but others were added in Unicode 6.3; you can always find what the current ones are in perluniprops. And http://www.unicode.org/reports/tr9/ describes how to use them.

この特性は常に複合形式で書かれます。 たとえば、\p{Bidi_Class:R} は通常右から左に書く文字にマッチします。 "General_Category" 特性とは異なり、 この特性は将来リリースされる Unicode でさらに値が追加されるかもしれません。 これらの上述したものは何回もの Unicode のリリースの間完全な一覧でしたが、 その他の物は Unicode 6.3 で追加されたものです; 現在の内容についてはいつでも perluniprops で確認できます。 これらの使い方については http://www.unicode.org/reports/tr9/ に記述されています。

Scripts

(用字)

The world's languages are written in many different scripts. This sentence (unless you're reading it in translation) is written in Latin, while Russian is written in Cyrillic, and Greek is written in, well, Greek; Japanese mainly in Hiragana or Katakana. There are many more.

世界の言語は多くの異なった用字で書かれています。 この文は(訳文を読んでいない限り)ラテン文字で書かれていますが、ロシア語は キリル文字で書かれています; そしてギリシャ語は、ええと、ギリシャ文字です; 日本語は主にひらがなやカタカナで書かれています。 もっとたくさんあります。

The Unicode Script and Script_Extensions properties give what script a given character is in. The Script_Extensions property is an improved version of Script, as demonstrated below. Either property can be specified with the compound form like \p{Script=Hebrew} (short: \p{sc=hebr}), or \p{Script_Extensions=Javanese} (short: \p{scx=java}). In addition, Perl furnishes shortcuts for all Script_Extensions property names. You can omit everything up through the equals (or colon), and simply write \p{Latin} or \P{Cyrillic}. (This is not true for Script, which is required to be written in the compound form. Prior to Perl v5.26, the single form returned the plain old Script version, but was changed because Script_Extensions gives better results.)

Unicode の ScriptScript_Extensions 特性は、指定された 文字の中にある用字を示します。 Script_Extensions 特性は、後述するように、 Script の改良版です。 それぞれの用字は \p{Script=Hebrew} (短縮: \p{sc=hebr}) または \p{Script_Extensions=Javanese} (short: \p{scx=java}) のような 複合形式で指定できます。 さらに Perl は、すべての Script_Extensions 用字のショートカットを 提供します。 等号(またはコロン)までのすべてを省略できます; そして単に \p{Latin}\P{Cyrillic} と書けます。 (これは Script では正しくありません; これは 複合形式で書かれることを要求します。 Perl v5.26 より前は、単一形式は昔ながらの単純な Script 版を返していましたが、Script_Extensions が より良い結果を返すので、変更されました。)

The difference between these two properties involves characters that are used in multiple scripts. For example the digits '0' through '9' are used in many parts of the world. These are placed in a script named Common. Other characters are used in just a few scripts. For example, the "KATAKANA-HIRAGANA DOUBLE HYPHEN" is used in both Japanese scripts, Katakana and Hiragana, but nowhere else. The Script property places all characters that are used in multiple scripts in the Common script, while the Script_Extensions property places those that are used in only a few scripts into each of those scripts; while still using Common for those used in many scripts. Thus both these match:

これら二つの特性の違いは、複数の用字で使われている文字に関係があります。 例えば、数字 '0' から '9' は世界中の大部分で使われています。 これらは Common という名前の用字に置かれています。 その他の文字はほんのいくつかの用字でのみ使われています。 例えば、"KATAKANA-HIRAGANA DOUBLE HYPHEN" は日本語の二つの用字 Katakana と Hiragana の両方で使われていますが、その他では使われていません。 Script 特性は、Common 用字にあって、複数のの用字で使われている 全ての文字に与えられています; 一方 Script_Extensions 特性は、それらの用字それぞれのほんのいくつかの 用字でのみ使われているものに与えられます; 一方多くの用字で使われているものについては未だ Common が使われています。 従ってこれらは両方ともマッチングし:

 "0" =~ /\p{sc=Common}/     # Matches
 "0" =~ /\p{scx=Common}/    # Matches

and only the first of these match:

そしてこれらは最初だけがマッチングします:

 "\N{KATAKANA-HIRAGANA DOUBLE HYPHEN}" =~ /\p{sc=Common}  # Matches
 "\N{KATAKANA-HIRAGANA DOUBLE HYPHEN}" =~ /\p{scx=Common} # No match

And only the last two of these match:

それこれらは最後の二つだけがマッチングします:

 "\N{KATAKANA-HIRAGANA DOUBLE HYPHEN}" =~ /\p{sc=Hiragana}  # No match
 "\N{KATAKANA-HIRAGANA DOUBLE HYPHEN}" =~ /\p{sc=Katakana}  # No match
 "\N{KATAKANA-HIRAGANA DOUBLE HYPHEN}" =~ /\p{scx=Hiragana} # Matches
 "\N{KATAKANA-HIRAGANA DOUBLE HYPHEN}" =~ /\p{scx=Katakana} # Matches

Script_Extensions is thus an improved Script, in which there are fewer characters in the Common script, and correspondingly more in other scripts. It is new in Unicode version 6.0, and its data are likely to change significantly in later releases, as things get sorted out. New code should probably be using Script_Extensions and not plain Script. If you compile perl with a Unicode release that doesn't have Script_Extensions, the single form Perl extensions will instead refer to the plain Script property. If you compile with a version of Unicode that doesn't have the Script property, these extensions will not be defined at all.

このように Script_Extensions は改良された Script で、 Common 用字にある文字はより少なく、それに応じて他の用字の文字は より多くなっています。 これは Unicode バージョン 6.0 からの新しいもので、そのデータは 将来のリリースで整理されて大きく変更される可能性が高いです。 新しいコードはおそらく、単なる Script ではなく Script_Extensions を使うべきです。 Script_Extensions がない Unicode のリリースで perl を コンパイルしている場合、単一形式の Perl 拡張は代わりに 単なる Script 特性を参照します。 Script 特性がないバージョンでコンパイルしている場合、 これらの拡張は何も定義されません。

(Actually, besides Common, the Inherited script, contains characters that are used in multiple scripts. These are modifier characters which inherit the script value of the controlling character. Some of these are used in many scripts, and so go into Inherited in both Script and Script_Extensions. Others are used in just a few scripts, so are in Inherited in Script, but not in Script_Extensions.)

(実際、Common を除くと、Inherited 用字は複数の用字で使われている 文字を含みます。 制御文字の用字の値を継承する文字のための修飾文字です。 その一部は多くの用字で使われているので、 ScriptScript_Extensions の両方の中に Inherited が入っています。 その他のものはいくつかの用字でのみ使われているので、 ScriptInherited にはありますが、 Script_Extensions にはありません。)

It is worth stressing that there are several different sets of digits in Unicode that are equivalent to 0-9 and are matchable by \d in a regular expression. If they are used in a single language only, they are in that language's Script and Script_Extensions. If they are used in more than one script, they will be in sc=Common, but only if they are used in many scripts should they be in scx=Common.

Unicode には、0-9 と等価で、正規表現内で \d にマッチングできる数字の 集合がいくつかあることは強調する価値があります。 それらが単一の言語だけで使われた場合、それらはその言語の ScriptScript_Extensions です。 これらが複数の用字で使われている場合、 それらは sc=Common の中にありますが、 scx=Common にあるべき多くの用字で使われている場合のみです。

The explanation above has omitted some detail; refer to UAX#24 "Unicode Script Property": http://www.unicode.org/reports/tr24.

前述の説明は一部の詳細を省略しています; UAX#24 "Unicode Script Property": http://www.unicode.org/reports/tr24 を 参照してください。

A complete list of scripts and their shortcuts is in perluniprops.

用字とその省略形の完全な一覧は perluniprops にあります。

Use of the "Is" Prefix

("Is" 接頭辞の使用)

For backward compatibility (with ancient Perl 5.6), all properties writable without using the compound form mentioned so far may have Is or Is_ prepended to their name, so \P{Is_Lu}, for example, is equal to \P{Lu}, and \p{IsScript:Arabic} is equal to \p{Arabic}.

(とても古い Perl 5.6 との)後方互換性のため、 これまでのところ記述している複合形式を使うことなく書き込み可能な すべての特性はその名前の前に Is または Is_ を置くことができます; したがって、\P{Is_Lu}\P{Lu} と 等価で、\p{IsScript:Arabic}\p{Arabic} と等価です。

Blocks

(ブロック)

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 Unicode characters with consecutive ordinal values. For example, the "Basic Latin" block is all the characters whose ordinals are between 0 and 127, inclusive; in other words, the ASCII characters. The "Latin" script contains some letters from this as well as several other blocks, like "Latin-1 Supplement", "Latin Extended-A", etc., but it does not contain all the characters from those blocks. It does not, for example, contain the digits 0-9, because those digits are shared across many scripts, and hence are in the Common script.

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連続した番号を持つ 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、"Basic Latin" ブロックは番号 0 から 127 までの全ての文字です; 言い換えると ASCII 文字です。 "Latin" 用字は、このブロックの文字と、"Latin-1 Supplement", "Latin Extended-A" などのその他のいくつかのブロック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 0-9 は多くの用字を越えて共有されているので、 (Latin 用字は)数字を含まないので、これらは Common 用字にあります。

For more about scripts versus blocks, see UAX#24 "Unicode Script Property": http://www.unicode.org/reports/tr24

用字とブロックに違いに関する詳細については、 UAX#24 "Unicode Script Property" http://www.unicode.org/reports/tr24 を参照してください。

The Script_Extensions or Script properties are likely to be the ones you want to use when processing natural language; the Block property may occasionally be useful in working with the nuts and bolts of Unicode.

Script_ExtensionsScript 特性は自然言語を処理するときにおそらく 使いたいと思うようなものです; Block 特性は Unicode の基本的な部分で動作させるのに時々有用です。

Block names are matched in the compound form, like \p{Block: Arrows} or \p{Blk=Hebrew}. Unlike most other properties, only a few block names have a Unicode-defined short name.

ブロック名は \p{Block: Arrows}\p{Blk=Hebrew} のような 復号形式でマッチングします。 その他のほとんどの特性と違って、いくつかのブロック名だけが Unicode が 定義した短い名前を持ちます。

Perl also defines single form synonyms for the block property in cases where these do not conflict with something else. But don't use any of these, because they are unstable. Since these are Perl extensions, they are subordinate to official Unicode property names; Unicode doesn't know nor care about Perl's extensions. It may happen that a name that currently means the Perl extension will later be changed without warning to mean a different Unicode property in a future version of the perl interpreter that uses a later Unicode release, and your code would no longer work. The extensions are mentioned here for completeness: Take the block name and prefix it with one of: In (for example \p{Blk=Arrows} can currently be written as \p{In_Arrows}); or sometimes Is (like \p{Is_Arrows}); or sometimes no prefix at all (\p{Arrows}). As of this writing (Unicode 9.0) there are no conflicts with using the In_ prefix, but there are plenty with the other two forms. For example, \p{Is_Hebrew} and \p{Hebrew} mean \p{Script_Extensions=Hebrew} which is NOT the same thing as \p{Blk=Hebrew}. Our advice used to be to use the In_ prefix as a single form way of specifying a block. But Unicode 8.0 added properties whose names begin with In, and it's now clear that it's only luck that's so far prevented a conflict. Using In is only marginally less typing than Blk:, and the latter's meaning is clearer anyway, and guaranteed to never conflict. So don't take chances. Use \p{Blk=foo} for new code. And be sure that block is what you really really want to do. In most cases scripts are what you want instead.

Perl はまた、他のものと競合しない場合には、 ブロック特性に対して単一形式の同義語を定義します。 しかし、これらは不安定なので、使わないでください。 これらは Perl の拡張なので、公式の Unicode 特性名の下位にあたります; Unicode は Perl の拡張を認識しませんし、気にしません。 現在は Perl 拡張を意味する名前が、将来のUnicodeリリースを使用する perlインタプリタの将来のバージョンでは、警告なしに別の Unicode 特性を 意味するように変更され、コードが動作しなくなる可能性があります。 ここでは、完全性のために拡張について説明します: ロック名の前に次のいずれかの接頭辞を付けます: In (例えば \p{Blk=Arrows} は現在 \p{In_Arrows} と書けます); 時々 Is (\p{Is_Arrows} のように); 時々全く接頭辞なし (\p{Arrows})。 この文書の執筆時点 (Unicode 9.0) では、In_ 接頭辞の使用と 競合することはありませんが、他の二つの形式では多くの競合があります。 例えば、\p{Is_Hebrew} および \p{Hebrew} は、 \p{Script_Extensions=Hebrew} を意味しますが、\p{Blk=Hebrew} と 同じものでは「ありません」。 以前勧めていたのは、ブロックを指定する単一形式として In_ 接頭辞を使うことでした。 しかし Unicode 8.0 では、名前が In で始まる特性が追加されたため、 今まで競合を回避できていたのは単に幸運なだけだったことが 明らかになりました。 In を使用することは、Blk: よりもわずかにタイプ数が少ないだけで、 とにかく後者の意味はより明確で、決して衝突しないことが保証されます。 だから、危険を冒さないでください。 新しいコードには \p{Blk=foo} を使ってください。 そして、これが本当に本当にやりたいことであることを確認してください。 ほとんどの場合、本当に必要なものはそうではなく用字です。

A complete list of blocks is in perluniprops.

ブロックの完全な一覧は perluniprops にあります。

Other Properties

(その他の特性)

There are many more properties than the very basic ones described here. A complete list is in perluniprops.

ここで記述したとても基本的なものよりもとても多くの特性があります。 完全な一覧は perluniprops です。

Unicode defines all its properties in the compound form, so all single-form properties are Perl extensions. Most of these are just synonyms for the Unicode ones, but some are genuine extensions, including several that are in the compound form. And quite a few of these are actually recommended by Unicode (in http://www.unicode.org/reports/tr18).

Unicode は、複合形式ですべての特性を定義するので、 単一形式の特性はすべて Perl 拡張になります。 これらのほとんどは Unicode のものの同義語にすぎませんが、いくつかは 本物の拡張であり、複合形式のものもあります。 そしてこれらのいくつかは実際に Unicode (http://www.unicode.org/reports/tr18)で推奨されています。

This section gives some details on all extensions that aren't just synonyms for compound-form Unicode properties (for those properties, you'll have to refer to the Unicode Standard.

この節では、単に複合形式の Unicode 特性の同義語ではないすべての 拡張機能について詳しく説明します (これらの特性については、 "/www.unicode.org/reports/tr44" in Unicode Standard http: を 参照してください)。

\p{All}

This matches every possible code point. It is equivalent to qr/./s. Unlike all the other non-user-defined \p{} property matches, no warning is ever generated if this is property is matched against a non-Unicode code point (see "Beyond Unicode code points" below).

これは全ての符号位置にマッチングします。 これは qr/./s と等価です。 その他全てのユーザー定義でない \p{} 特性のマッチングと異なり、 この特性はたとえ非 Unicode 符号位置に対してマッチングしても警告は 発生しません (後述する "Beyond Unicode code points" 参照)。

\p{Alnum}

This matches any \p{Alphabetic} or \p{Decimal_Number} character.

これは任意の \p{Alphabetic} または \p{Decimal_Number} 文字に マッチングします。

\p{Any}

This matches any of the 1_114_112 Unicode code points. It is a synonym for \p{Unicode}.

これは任意の 1_114_112 Unicode 符号位置にマッチングします。 これは \p{Unicode} の同義語です。

\p{ASCII}

This matches any of the 128 characters in the US-ASCII character set, which is a subset of Unicode.

これは、Unicode のサブセットである、US-ASCII 文字集合の 128 文字に マッチングします。

\p{Assigned}

This matches any assigned code point; that is, any code point whose general category is not Unassigned (or equivalently, not Cn).

これは任意の割り当てられた符号位置にマッチングします; つまり、 general categoryUnassigned ではない(または同等に Cn ではない) 符号位置です。

\p{Blank}

This is the same as \h and \p{HorizSpace}: A character that changes the spacing horizontally.

これは \h および \p{HorizSpace} と同じです: スペースを垂直に変更する 文字です。

\p{Decomposition_Type: Non_Canonical} (Short: \p{Dt=NonCanon})

Matches a character that has a non-canonical decomposition.

非正準分解文字にマッチングします。

The "Extended Grapheme Clusters (Logical characters)" section above talked about canonical decompositions. However, many more characters have a different type of decomposition, a "compatible" or "non-canonical" decomposition. The sequences that form these decompositions are not considered canonically equivalent to the pre-composed character. An example is the "SUPERSCRIPT ONE". It is somewhat like a regular digit 1, but not exactly; its decomposition into the digit 1 is called a "compatible" decomposition, specifically a "super" decomposition. There are several such compatibility decompositions (see http://www.unicode.org/reports/tr44), including one called "compat", which means some miscellaneous type of decomposition that doesn't fit into the other decomposition categories that Unicode has chosen.

前述の "Extended Grapheme Clusters (Logical characters)" 節は 正準分解について記述しました。 しかし、多くの文字は異なる種類の分解を持ち、 「互換」分解あるいは「非正準」分解と呼ばれます。 これらの分解を形成する並びは合成済文字への正準等価ではないと考えられます。 例えば、"SUPERSCRIPT ONE" です。 これは普通の数字 1 のようなものですが、正確ではありません; これの数字 1 への分解は 「互換」分解と呼ばれ、特に「スーパー」分解と呼ばれます。 このような互換分解(http://www.unicode.org/reports/tr44を参照)は いくつかあります; "compat" と呼ばれる、 Unicode が選択したその他の分解カテゴリに収まらない、様々な分解を意味するものも あります。

Note that most Unicode characters don't have a decomposition, so their decomposition type is "None".

ほとんどの Unicode 文字は分解を持たないので、それらの分解型は "None" です。

For your convenience, Perl has added the Non_Canonical decomposition type to mean any of the several compatibility decompositions.

便利なように、Perl は任意の様々な互換分解を意味する Non_Canonical 分解型を 追加しています。

\p{Graph}

Matches any character that is graphic. Theoretically, this means a character that on a printer would cause ink to be used.

任意の図形文字にマッチングします。 理論的には、これはプリンタがインクを使うことになる文字を意味します。

\p{HorizSpace}

This is the same as \h and \p{Blank}: a character that changes the spacing horizontally.

これは \h\p{Blank} と同じです: スペースを垂直に変更するものです。

\p{In=*}

This is a synonym for \p{Present_In=*}

これは \p{Present_In=*} の同義語です。

\p{PerlSpace}

This is the same as \s, restricted to ASCII, namely [ \f\n\r\t] and starting in Perl v5.18, a vertical tab.

これは \s と同じで、ASCII に制限されます; つまり [ \f\n\r\t]、 および、Perl v5.18 から垂直タブ、です。

Mnemonic: Perl's (original) space

記憶法: Perl の (元々の) スペース

\p{PerlWord}

This is the same as \w, restricted to ASCII, namely [A-Za-z0-9_]

これは \w と同じで ASCII に制限されます; つまり [A-Za-z0-9_] です。

Mnemonic: Perl's (original) word.

記憶法: Perl の (元々の) 単語。

\p{Posix...}

There are several of these, which are equivalents, using the \p{} notation, for Posix classes and are described in "POSIX Character Classes" in perlrecharclass.

これらのいくつかには Posix クラスのための \p{} 記法を使った 等価物があります; これらは "POSIX Character Classes" in perlrecharclass に記述されています。

\p{Present_In: *} (Short: \p{In=*})

This property is used when you need to know in what Unicode version(s) a character is.

この特性は、この文字の Unicode バージョンを知る必要があるときに使われます。

The "*" above stands for some Unicode version number, such as 1.1 or 12.0; or the "*" can also be Unassigned. This property will match the code points whose final disposition has been settled as of the Unicode release given by the version number; \p{Present_In: Unassigned} will match those code points whose meaning has yet to be assigned.

前述の "*" は、1.112.0 のような Unicode バージョン番号です; あるいは "*" は Unassigned も取ります。 この特性は、最終的な配置がバージョン番号によって指定された Unicode リリースに 設定された符号位置にマッチングします; \p{Present_In: Unassigned} は、まだ意味が割り当てられていない符号位置に マッチングします。

For example, U+0041 "LATIN CAPITAL LETTER A" was present in the very first Unicode release available, which is 1.1, so this property is true for all valid "*" versions. On the other hand, U+1EFF was not assigned until version 5.1 when it became "LATIN SMALL LETTER Y WITH LOOP", so the only "*" that would match it are 5.1, 5.2, and later.

たとえば、U+0041 "LATIN CAPITAL LETTER A" は、使用可能な 最初の Unicode リリースである 1.1 から存在しているので、 この特性はすべての有効な "*" バージョンに対して真です。 一方、U+1EFF は、これが "LATIN SMALL LETTER Y WITH LOOP" になった バージョン 5.1 まで割り当てられていなかったので、 これにマッチングする "*" は 5.1, 5.2, およびそれ以降です。

Unicode furnishes the Age property from which this is derived. The problem with Age is that a strict interpretation of it (which Perl takes) has it matching the precise release a code point's meaning is introduced in. Thus U+0041 would match only 1.1; and U+1EFF only 5.1. This is not usually what you want.

Unicodeは、Age 特性を、これから派生したものから提供します。 Age の問題は、(Perl が行う) 厳密な解釈によって、符号位置の 意味が導入された正確なリリースと一致することです。 したがって、U+0041 は、1.1 のみにマッチングし、U+1eff は 5.1 とのみ マッチングします。 これは通常、あなたが望むものではありません。

Some non-Perl implementations of the Age property may change its meaning to be the same as the Perl Present_In property; just be aware of that.

Age 特性の非 Perl 実装の中には、Perl の Present_In 特性と 同じ意味を持つように変更しているものがあります; 知っておいてください。

Another confusion with both these properties is that the definition is not that the code point has been assigned, but that the meaning of the code point has been determined. This is because 66 code points will always be unassigned, and so the Age for them is the Unicode version in which the decision to make them so was made. For example, U+FDD0 is to be permanently unassigned to a character, and the decision to do that was made in version 3.1, so \p{Age=3.1} matches this character, as also does \p{Present_In: 3.1} and up.

これらの特性に関するもう一つの混乱は、定義は この符号位置が 割り当てられた ということではなく、 符号位置の意味が 決定された ということです。 これは、66 の符号位置が常に割り当てられなくなり、 それらに対する Age はそう決定された Unicode のバージョンだからです。 たとえば、U+FDD0 は永続的に文字が割り当てられないことなっていて、 この決定はバージョン 3.1 で行われたので、 したがって \p{Age=3.1} はこの文字にマッチングし、 \p{Present_In:3.1} 以上もマッチングします。

\p{Print}

This matches any character that is graphical or blank, except controls.

制御文字を除く、任意の図形文字か空白にマッチングします。

\p{SpacePerl}

This is the same as \s, including beyond ASCII.

これは \s は同様で、ASCII の範囲外を含みます。

Mnemonic: Space, as modified by Perl. (It doesn't include the vertical tab until v5.18, which both the Posix standard and Unicode consider white space.)

記憶法: スペース、Perl によって修正。 (これは、v5.18 までは、Posix 標準と Unicode の両方が空白と考える 垂直タブを含みません。)

\p{Title} and \p{Titlecase}

(\p{Title}\p{Titlecase})

Under case-sensitive matching, these both match the same code points as \p{General Category=Titlecase_Letter} (\p{gc=lt}). The difference is that under /i caseless matching, these match the same as \p{Cased}, whereas \p{gc=lt} matches \p{Cased_Letter).

大文字小文字を無視するマッチングの下では、これらの両方は \p{General Category=Titlecase_Letter} (\p{gc=lt}) として 同じ符号位置にマッチングします。 違いは、/i 大文字小文字無視マッチングでは、 これらのマッチングは \p{Cased} と同じで、 \p{gc=lt}\p{Cased_Letter) にマッチングすると言うことです。

\p{Unicode}

This matches any of the 1_114_112 Unicode code points. \p{Any}.

これは任意の 1_114_112 Unicode 符号位置にマッチングします。 これは \p{Any} の同義語です。

\p{VertSpace}

This is the same as \v: A character that changes the spacing vertically.

これは \v と同じです: 垂直の空白を変更する文字です。

\p{Word}

This is the same as \w, including over 100_000 characters beyond ASCII.

これは \w と同じで、ASCII 範囲外の 100_000 を超える文字を含みます。

\p{XPosix...}

There are several of these, which are the standard Posix classes extended to the full Unicode range. They are described in "POSIX Character Classes" in perlrecharclass.

これらのいくつかには、完全な Unicode の範囲に拡張された標準 Posix クラスが あります; これらは "POSIX Character Classes" in perlrecharclass に記述されています。

特性値でのワイルドカード

Starting in Perl 5.30, it is possible to do do something like this:

Starting in Perl 5.30, it is possible to do do something like this: (TBT)

 qr!\p{numeric_value=/\A[0-5]\z/}!

or, by abbreviating and adding /x,

or, by abbreviating and adding /x, (TBT)

 qr! \p{nv= /(?x) \A [0-5] \z / }!

This matches all code points whose numeric value is one of 0, 1, 2, 3, 4, or 5. This particular example could instead have been written as

This matches all code points whose numeric value is one of 0, 1, 2, 3, 4, or 5. This particular example could instead have been written as (TBT)

 qr! \A [ \p{nv=0}\p{nv=1}\p{nv=2}\p{nv=3}\p{nv=4}\p{nv=5} ] \z !xx

in earlier perls, so in this case this feature just makes things easier and shorter to write. If we hadn't included the \A and \z, these would have matched things like 1/2 because that contains a 1 (as well as a 2). As written, it matches things like subscripts that have these numeric values. If we only wanted the decimal digits with those numeric values, we could say,

in earlier perls, so in this case this feature just makes things easier and shorter to write. If we hadn't included the \A and \z, these would have matched things like 1/2 because that contains a 1 (as well as a 2). As written, it matches things like subscripts that have these numeric values. If we only wanted the decimal digits with those numeric values, we could say, (TBT)

 qr! (?[ \d & \p{nv=/[0-5]/ ]) }!x

The \d gets rid of needing to anchor the pattern, since it forces the result to only match [0-9], and the [0-5] further restricts it.

The \d gets rid of needing to anchor the pattern, since it forces the result to only match [0-9], and the [0-5] further restricts it. (TBT)

The text in the above examples enclosed between the "/" characters can be just about any regular expression. It is independent of the main pattern, so doesn't share any capturing groups, etc. The delimiters for it must be ASCII punctuation, but it may NOT be delimited by "{", nor "}" nor contain a literal "}", as that delimits the end of the enclosing \p{}. Like any pattern, certain other delimiters are terminated by their mirror images. These are "(", "[", and "<". If the delimiter is any of "-", "_", "+", or "\", or is the same delimiter as is used for the enclosing pattern, it must be be preceded by a backslash escape, both fore and aft.

The text in the above examples enclosed between the "/" characters can be just about any regular expression. It is independent of the main pattern, so doesn't share any capturing groups, etc. The delimiters for it must be ASCII punctuation, but it may NOT be delimited by "{", nor "}" nor contain a literal "}", as that delimits the end of the enclosing \p{}. Like any pattern, certain other delimiters are terminated by their mirror images. These are "(", "[", and "<". If the delimiter is any of "-", "_", "+", or "\", or is the same delimiter as is used for the enclosing pattern, it must be be preceded by a backslash escape, both fore and aft. (TBT)

Beware of using "$" to indicate to match the end of the string. It can too easily be interpreted as being a punctuation variable, like $/.

Beware of using "$" to indicate to match the end of the string. It can too easily be interpreted as being a punctuation variable, like $/. (TBT)

No modifiers may follow the final delimiter. Instead, use "(?adlupimnsx-imnsx)" in perlre and/or "(?adluimnsx-imnsx:pattern)" in perlre to specify modifiers.

No modifiers may follow the final delimiter. Instead, use "(?adlupimnsx-imnsx)" in perlre and/or "(?adluimnsx-imnsx:pattern)" in perlre to specify modifiers. (TBT)

This feature is not available when the left-hand side is prefixed by Is_, nor for any form that is marked as "Discouraged" in "Discouraged" in perluniprops.

This feature is not available when the left-hand side is prefixed by Is_, nor for any form that is marked as "Discouraged" in "Discouraged" in perluniprops. (TBT)

Perl wraps your pattern with (?iaa: ... ). This is because nothing outside ASCII can match the Unicode property values available in this release, and they should match caselessly. If your pattern has a syntax error, this wrapping will be shown in the error message, even though you didn't specify it yourself. This could be confusing if you don't know about this.

Perl wraps your pattern with (?iaa: ... ). This is because nothing outside ASCII can match the Unicode property values available in this release, and they should match caselessly. If your pattern has a syntax error, this wrapping will be shown in the error message, even though you didn't specify it yourself. This could be confusing if you don't know about this. (TBT)

This experimental feature has been added to begin to implement https://www.unicode.org/reports/tr18/#Wildcard_Properties. Using it will raise a (default-on) warning in the experimental::uniprop_wildcards category. We reserve the right to change its operation as we gain experience.

This experimental feature has been added to begin to implement https://www.unicode.org/reports/tr18/#Wildcard_Properties. Using it will raise a (default-on) warning in the experimental::uniprop_wildcards category. We reserve the right to change its operation as we gain experience. (TBT)

Your subpattern can be just about anything, but for it to have some utility, it should match when called with either or both of a) the full name of the property value with underscores (and/or spaces in the Block property) and some things uppercase; or b) the property value in all lowercase with spaces and underscores squeezed out. For example,

Your subpattern can be just about anything, but for it to have some utility, it should match when called with either or both of a) the full name of the property value with underscores (and/or spaces in the Block property) and some things uppercase; or b) the property value in all lowercase with spaces and underscores squeezed out. For example, (TBT)

 qr!\p{Blk=/Old I.*/}!
 qr!\p{Blk=/oldi.*/}!

would match the same things.

would match the same things. (TBT)

A warning is issued if none of the legal values for a property are matched by your pattern. It's likely that a future release will raise a warning if your pattern ends up causing every possible code point to match.

A warning is issued if none of the legal values for a property are matched by your pattern. It's likely that a future release will raise a warning if your pattern ends up causing every possible code point to match. (TBT)

Another example that shows that within \p{...}, /x isn't needed to have spaces:

Another example that shows that within \p{...}, /x isn't needed to have spaces: (TBT)

 qr!\p{scx= /Hebrew|Greek/ }!

To be safe, we should have anchored the above example, to prevent matches for something like Hebrew_Braile, but there aren't any script names like that.

To be safe, we should have anchored the above example, to prevent matches for something like Hebrew_Braile, but there aren't any script names like that. (TBT)

There are certain properties that it doesn't currently work with. These are:

There are certain properties that it doesn't currently work with. These are: (TBT)

 Bidi Mirroring Glyph
 Bidi Paired Bracket
 Case Folding
 Decomposition Mapping
 Equivalent Unified Ideograph
 Name
 Name Alias
 Lowercase Mapping
 NFKC Case Fold
 Titlecase Mapping
 Uppercase Mapping

Nor is the @unicode_property@ form implemented.

Nor is the @unicode_property@ form implemented. (TBT)

Here's a complete example of matching IPV4 internet protocol addresses in any (single) script

Here's a complete example of matching IPV4 internet protocol addresses in any (single) script (TBT)

 no warnings 'experimental::script_run';
 no warnings 'experimental::regex_sets';
 no warnings 'experimental::uniprop_wildcards';

 # Can match a substring, so this intermediate regex needs to have
 # context or anchoring in its final use.  Using nt=de yields decimal
 # digits.  When specifying a subset of these, we must include \d to
 # prevent things like U+00B2 SUPERSCRIPT TWO from matching
 my $zero_through_255 =
  qr/ \b (*sr:                                  # All from same sript
            (?[ \p{nv=0} & \d ])*               # Optional leading zeros
        (                                       # Then one of:
                                  \d{1,2}       #   0 - 99
            | (?[ \p{nv=1} & \d ])  \d{2}       #   100 - 199
            | (?[ \p{nv=2} & \d ])
               (  (?[ \p{nv=:[0-4]:} & \d ]) \d #   200 - 249
                | (?[ \p{nv=5}     & \d ])
                  (?[ \p{nv=:[0-5]:} & \d ])    #   250 - 255
               )
        )
      )
    \b
  /x;

 my $ipv4 = qr/ \A (*sr:         $zero_through_255
                         (?: [.] $zero_through_255 ) {3}
                   )
                \z
            /x;

ユーザ定義文字特性

You can define your own binary character properties by defining subroutines whose names begin with "In" or "Is". (The experimental feature "(?[ ])" in perlre provides an alternative which allows more complex definitions.) 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 2 値文字特性を、"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。 (実験的機能 "(?[ ])" in perlre はより複雑な定義を可能にする選択肢を 提供します。) 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 Is_Foreign 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. However, the subroutines are passed a single parameter, which is 0 if case-sensitive matching is in effect and non-zero if caseless matching is in effect. The subroutine may return different values depending on the value of the flag, and one set of values will immutably be in effect for all case-sensitive matches, and the other set for all case-insensitive matches.

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。 しかし、サブルーチンは一つの引数を取ります; 大文字小文字を認識するマッチングが有効の場合は 0 となり、 大文字小文字を無視するマッチングが有効の場合は非 0 となります。 サブルーチンはフラグの値に依存して異なった値を返すことがあり、 ある集合の値は全ての大文字小文字を認識するマッチングで変わらず有効になり、 もう一つの集合は大文字小文字を無視するマッチングで有効になります。

Note that if the regular expression is tainted, then Perl will die rather than calling the subroutine when the name of the subroutine is determined by the tainted data.

正規表現が汚染されている場合、Perl はサブルーチンの呼び出し時ではなく、 サブルーチンの名前が汚染されたデータによって決定された時点で die する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 code point to include.

    含まれる符号位置を示す 1 つの 16 進数。

  • Two hexadecimal numbers separated by horizontal whitespace (space or tabular characters) denoting a range of code points to include. The second number must not be smaller than the first.

    含まれる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。 2 番目の数字は最初の数字より小さくてはいけません。

  • Something to include, prefixed by "+": a built-in character property (prefixed by "utf8::") or a fully qualified (including package name) 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 (パッケージ名を含めた)完全修飾された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 fully qualified (including package name) 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 (パッケージ名を含めた)完全修飾された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 fully qualified (including package name) 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 (パッケージ名を含めた)完全修飾された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 fully qualified (including package name) 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 (パッケージ名を含めた)完全修飾された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 unassigned 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、未割り当て文字を 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
    }

This will match all non-Unicode code points, since every one of them is not in Kana. You can use intersection to exclude these, if desired, as this modified example shows:

これは全ての非 Unicode 符号位置にマッチングします; これらのどれも Kana ではないからです。 もし必要なら、この修正された例にように、これらを除外するために 共通集合を使えます:

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

&utf8::Any must be the last line in the definition.

&utf8::Any は定義の最後の行でなければなりません。

Intersection is used generally for getting the common characters matched by two (or more) classes. It's important to remember not to use "&" for the first set; that would be intersecting with nothing, resulting in an empty set. (Similarly using "-" for the first set does nothing).

共通集合は一般的に二つ(またはそれ以上)のクラスによってマッチングする 共通の文字を得るために使われます。 最初の集合に "&" を使わないことを覚えておくことは重要です; これは空集合との共通集合を取るので、結果として空集合になります (同様に、最初の集合に "-" を使っても何もしません)。

Unlike non-user-defined \p{} property matches, no warning is ever generated if these properties are matched against a non-Unicode code point (see "Beyond Unicode code points" below).

ユーザー定義でない \p{} 特性のマッチングと異なり、 この特性はたとえ非 Unicode 符号位置に対してマッチングしても警告は 発生しません (後述する "Beyond Unicode code points" 参照)。

ユーザ定義の大文字・小文字の対応関係(真剣なハッカー専用)

This feature has been removed as of Perl 5.16. The CPAN module Unicode::Casing provides better functionality without the drawbacks that this feature had. If you are using a Perl earlier than 5.16, this feature was most fully documented in the 5.14 version of this pod: http://perldoc.perl.org/5.14.0/perlunicode.html#User-Defined-Case-Mappings-%28for-serious-hackers-only%29

この機能は Perl 5.16 で削除されました。 CPAN モジュール Unicode::Casing はこの機能が持っていた欠点なしに よりよい機能を提供します。 5.16 より前の Perl を使っている場合、この機能は 5.14 版のこの pod に もっともよく文書化されています: http://perldoc.perl.org/5.14.0/perlunicode.html#User-Defined-Case-Mappings-%28for-serious-hackers-only%29

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 supported features for regular expressions describes all features currently directly supported by core Perl. The references to "Level N" and the section numbers refer to UTS#18 "Unicode Regular Expressions", version 18, October 2016.

以下に挙げるリストは、現在コア Perl が直接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 UTS#18 "Unicode Regular Expressions", 2016 年 10 月のバージョン 18 を参照しています。

Level 1 - Basic Unicode Support

 RL1.1   Hex Notation                     - Done          [1]
 RL1.2   Properties                       - Done          [2]
 RL1.2a  Compatibility Properties         - Done          [3]
 RL1.3   Subtraction and Intersection     - Experimental  [4]
 RL1.4   Simple Word Boundaries           - Done          [5]
 RL1.5   Simple Loose Matches             - Done          [6]
 RL1.6   Line Boundaries                  - Partial       [7]
 RL1.7   Supplementary Code Points        - Done          [8]
[1] \N{U+...} and \x{...}
[2] \p{...} \P{...}. This requirement is for a minimal list of properties. Perl supports these and all other Unicode character properties, as R2.7 asks (see "Unicode Character Properties" above).

([2] \p{...} \P{...}。この要求は最小限の特性の一覧に対するものです。Perl はこれらおよび、R2.7 によるその他全ての Unicode 文字特性に対応しています (上述の "Unicode Character Properties" 参照)。)

[3] Perl has \d \D \s \S \w \W \X [:prop:] [:^prop:], plus all the properties specified by http://www.unicode.org/reports/tr18/#Compatibility_Properties. These are described above in "Other Properties"

(Perl は \d \D \s \S \w \W \X [:prop:] [:^prop:] に加えて、http://www.unicode.org/reports/tr18/#Compatibility_Properties で指定されている全ての特性を持ちます。これらは前述の "Other Properties" に記されています。)

[4]

The experimental feature "(?[...])" starting in v5.18 accomplishes this.

v5.18 からの実験的機能 "(?[...])" がこれを行います。

See "(?[ ])" in perlre. If you don't want to use an experimental feature, you can use one of the following:

"(?[ ])" in perlre を参照してください。 実験的機能を使いたくない場合次のうちのどれかが使えます:

  • Regular expression lookahead

    正規表現先読み

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

    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

        [{Block=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{Block=Greek}
        (?=\p{Assigned})\p{Block=Greek}

    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{Greek}

    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。

  • CPAN module Unicode::Regex::Set

    It does implement the full UTS#18 grouping, intersection, union, and removal (subtraction) syntax.

    これは UTR #18 のグルーピング、intersection、union, removal(substraction) 構文を完全に実装しています。

  • "User-Defined Character Properties"

    "+" for union, "-" for removal (set-difference), "&" for intersection

    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

[5] \b \B meet most, but not all, the details of this requirement, but \b{wb} and \B{wb} do, as well as the stricter R2.3.
[6]

Note that Perl does Full case-folding in matching, not Simple:

Perl はマッチングで Simple ではなく Full 大文字小文字畳み込みを 行うことに注意してください:

For example U+1F88 is equivalent to U+1F00 U+03B9, instead of just U+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.

例えば U+1F88 は単なる U+1F80 ではなく U+1F00 U+03B9 と等価です。 この違いは、主にある種の修飾子付きのある種のギリシャ大文字に対して 問題になります: Full 大文字小文字畳み込みは文字を分解しますが、 Simple 大文字小文字畳み込みはそれを単一文字にマッピングします。

[7]

The reason this is considered to be only partially implemented is that Perl has qr/\b{lb}/ and Unicode::LineBreak that are conformant with UAX#14 "Unicode Line Breaking Algorithm". The regular expression construct provides default behavior, while the heavier-weight module provides customizable line breaking.

これが部分的にのみ実装していると考えられる理由は、Perl は UAX#14 "Unicode Line Breaking Algorithm" に準拠している qr/\b{lb}/Unicode::LineBreak があるからです。 正規表現構文はデフォルトの振る舞いを提供する一方、 この重量級モジュールは行区切りのカスタマイズを提供します。

But Perl treats \n as the start- and end-line delimiter, whereas Unicode specifies more characters that should be so-interpreted.

しかし Perl は \n を行の先頭と末尾の区切り文字として扱い、 一方 Unicode はそのように解釈するべきより多くの文字を指定しています。

These are:

これは:

 VT   U+000B  (\v in C)
 FF   U+000C  (\f)
 CR   U+000D  (\r)
 NEL  U+0085
 LS   U+2028
 PS   U+2029

^ and $ in regular expression patterns are supposed to match all these, but don't. These characters also don't, but should, affect <> $., and script line numbers.

正規表現パターンの ^$ はこれら全てにマッチングすることが 想定されますが、マッチングしません。 これらの文字は、<>, $., スクリプトの行番号にも影響を 与えるべきですが、与えません。

Also, lines should not be split within CRLF (i.e. there is no empty line between \r and \n). For CRLF, try the :crlf layer (see PerlIO).

また、CRLF の中の行を分割しません (つまり \r\n の間に 空行はありません)。 CRLF については、:crlf 層 (PerlIO 参照) を試してください。

[8] UTF-8/UTF-EBDDIC used in Perl allows not only U+10000 to U+10FFFF but also beyond U+10FFFF

([8] Perl で使われる UTF-8/UTF-EBDDIC は U+10000 から U+10FFFF だけでなく U+10FFFF を超える値も認めません)

Level 2 - Extended Unicode Support

 RL2.1   Canonical Equivalents           - Retracted     [9]
                                           by Unicode
 RL2.2   Extended Grapheme Clusters      - Partial       [10]
 RL2.3   Default Word Boundaries         - Done          [11]
 RL2.4   Default Case Conversion         - Done
 RL2.5   Name Properties                 - Done
 RL2.6   Wildcards in Property Values    - Partial       [12]
 RL2.7   Full Properties                 - Done
[9] Unicode has rewritten this portion of UTS#18 to say that getting canonical equivalence (see UAX#15 "Unicode Normalization Forms") is basically to be done at the programmer level. Use NFD to write both your regular expressions and text to match them against (you can use Unicode::Normalize).
[10] Perl has \X and \b{gcb} but we don't have a "Grapheme Cluster Mode".
[11] see UAX#29 "Unicode Text Segmentation",
[12] see "Wildcards in Property Values" above.

Level 3 - Tailored Support

 RL3.1   Tailored Punctuation            - Missing
 RL3.2   Tailored Grapheme Clusters      - Missing       [13]
 RL3.3   Tailored Word Boundaries        - Missing
 RL3.4   Tailored Loose Matches          - Retracted by Unicode
 RL3.5   Tailored Ranges                 - Retracted by Unicode
 RL3.6   Context Matching                - Partial       [14]
 RL3.7   Incremental Matches             - Missing
 RL3.8   Unicode Set Sharing             - Retracted by Unicode
 RL3.9   Possible Match Sets             - Missing
 RL3.10  Folded Matching                 - Retracted by Unicode
 RL3.11  Submatchers                     - Partial       [15]
[13] Perl has Unicode::Collate, but it isn't integrated with regular expressions. See UTS#10 "Unicode Collation Algorithms".
[14] Perl has (?<=x) and (?=x), but this requirement says that it should be possible to specify that matches may occur only in a substring with the lookaheads and lookbehinds able to see beyond that matchable portion.
[15] Perl has user-defined properties ("User-Defined Character Properties") to look at single code points in ways beyond Unicode, and it might be possible, though probably not very clean, to use code blocks and things like (?(DEFINE)...) (see perlre) to do more specialized matching.

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 4 bytes), byte-order independent encoding. In most of Perl's documentation, including elsewhere in this document, the term "UTF-8" means also "UTF-EBCDIC". But in this section, "UTF-8" refers only to the encoding used on ASCII platforms. It is a superset of 7-bit US-ASCII, so anything encoded in ASCII has the identical representation when encoded in UTF-8.

    UTF-8 は可変長(1 から 4 バイト)で、 バイトの並び順に依存しないエンコーディングです。 この文書の他の場所を含む Perl の文書のほとんどで、 "UTF-8" という用語は "UTF-EBCDIC" も意味します。 しかしこの節では、 "UTF-8" は ASCII プラットフォームで使われているエンコーディングを 意味します。 これは 7 ビット US-ASCII のスーパーセットなので、 ASCII でエンコードされたものは全て UTF-8 でエンコードしたものと 同じ表現になります。

    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       +++++ utf16 surrogates, not legal utf8 +++++
       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 gaps marked by "*" before several of the byte entries above. These 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 (and that is what Perl does).

    上記で '*' のマークが付いているいくつかのバイトエントリの前の 隙間に注意してください。 これらは、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(そしてそれが Perl のすることです)。

    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 there 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。

    The original UTF-8 specification allowed up to 6 bytes, to allow encoding of numbers up to 0x7FFF_FFFF. Perl continues to allow those, and has extended that up to 13 bytes to encode code points up to what can fit in a 64-bit word. However, Perl will warn if you output any of these as being non-portable; and under strict UTF-8 input protocols, they are forbidden. In addition, it is now illegal to use a code point larger than what a signed integer variable on your system can hold. On 32-bit ASCII systems, this means 0x7FFF_FFFF is the legal maximum (much higher on 64-bit systems).

    元の UTF-8 仕様は、0x7FFF_FFFF までの数値をエンコードできるように、 6 バイトまで許されていました。 Perl はこれを許し続け、さらに 64 ビットワードに適合する符号位置を エンコードするために 13 バイトまで拡張しています。 しかし、これらを出力すると、Perl は互換性がないとして警告します; そして厳密な UTF-8 入力プロトコルでは、これらは禁止されています。 さらに、システムの符号付き整数変数が保持できるよりも 大きな符号位置は不正になりました。 32 ビット ASCII システムでは、 これは、0x7FFF_FFFF が正当な最大であることを意味します (64 ビットシステムでは遙かに大きいです)。

  • UTF-EBCDIC

    Like UTF-8, but EBCDIC-safe, in the way that UTF-8 is ASCII-safe. This means that all the basic characters (which includes all those that have ASCII equivalents (like "A", "0", "%", etc.) are the same in both EBCDIC and UTF-EBCDIC.)

    UTF-8 と似ていますが、UTF-8 が ASCII-safe であるように EBCDIC-safe です。 つまり、全ての基本文字 (("A", "0", "%" などのような) ASCII の 等価物が EBCDIC と UTF-EBCDIC で同じものを意味します。

    UTF-EBCDIC is used on EBCDIC platforms. It generally requires more bytes to represent a given code point than UTF-8 does; the largest Unicode code points take 5 bytes to represent (instead of 4 in UTF-8), and, extended for 64-bit words, it uses 14 bytes instead of 13 bytes in UTF-8.

    UTF-EBCDIC は EBCDIC プラットフォームで使われます。 一般的に、ある符号位置を表現するのに UTF-8 よりも多くのバイト数を 必要とします; 最大の Unicode 符号位置は表現するのに (UTF-8 の 4 バイト ではなく) 5 バイトを使い、64 ビットワードのために拡張されると、 UTF-8 の場合の 13 バイトではなく 14 バイトを使います。

  • UTF-16, UTF-16BE, UTF-16LE, Surrogates, and BOM's (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。

    Like UTF-8, UTF-16 is a variable-width encoding, but where UTF-8 uses 8-bit code units, UTF-16 uses 16-bit code units. All code points occupy either 2 or 4 bytes in UTF-16: code points U+0000..U+FFFF are stored in a single 16-bit unit, and 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-8 と同様、UTF-16 は可変長エンコーディングですが、 UTF-8 が 8 ビットの符号ユニットを使っているところ、 UTF-16 は 16 ビットの符号ユニットを使います。 UTF-16 は全ての符号位置が 2 バイトもしくは 4 バイトです: 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);

    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 BOM's, 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: 符号位置 U+FEFF の文字が BOM 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 ASCII platform 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 ASCII プラットフォームの 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 not supposed to be in input streams, 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 入力ストリームには現れないはずである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。

    Surrogates have no meaning in Unicode outside their use in pairs to represent other code points. However, Perl allows them to be represented individually internally, for example by saying chr(0xD801), so that all code points, not just those valid for open interchange, are representable. Unicode does define semantics for them, such as their "General_Category" is "Cs". But because their use is somewhat dangerous, Perl will warn (using the warning category "surrogate", which is a sub-category of "utf8") if an attempt is made to do things like take the lower case of one, or match case-insensitively, or to output them. (But don't try this on Perls before 5.14.)

    サロゲートは、他の符号位置を表すためにペアで使用する以外は、 Unicode では意味を持ちません。 ただし、Perl では、例えば chr(0xD801) と記述することによって、 内部的に個別に表すことができるため、 オープンな交換に妥当な符号位置だけでなく、 すべての符号位置を表すことができます。 Unicode では、"General_Category""Cs" であるなどの、 このための意味論が定義されています。 しかし、これらの使用はやや危険であるため、Perl では、小文字を使用したり、 大文字と小文字を無視してマッチングしたり、出力しようとした場合には、 ("utf8" のサブカテゴリである "surrogate" 警告カテゴリを使って) 警告が 出されます。 (ただし、5.14 より前の Perl でこれを使用しないでください。)

  • UTF-32, UTF-32BE, UTF-32LE

    The UTF-32 family is pretty much like the UTF-16 family, except that the units are 32-bit, and therefore the surrogate scheme is not needed. UTF-32 is a fixed-width encoding. The BOM signatures are 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。 UTF-32 は固定長エンコーディングです。 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

    Legacy, fixed-width 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 (the difference being that UCS-4 forbids neither surrogates nor code points larger than 0x10_FFFF).

    ISO 10646 標準で定義されている古い固定長の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 (違いは、UCS-4 はサロゲートや 0x10_FFFF より大きな符号位置を 禁止していることです)。

  • 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。

非文字符号位置

66 code points are set aside in Unicode as "noncharacter code points". These all have the Unassigned (Cn) "General_Category", and no character will ever be assigned to any of them. They are the 32 code points between U+FDD0 and U+FDEF inclusive, and the 34 code points:

66 の符号位置は、Unicode では「非文字符号位置」として確保されています。 これらはすべて Unassigned (Cn) "General_Category" を 持ち、 これらに文字が割り当てられることはありません。 それは、U+FDD0U+FDEF の間にある 32 の符号位置と、 次の 34 の符号位置です。

 U+FFFE   U+FFFF
 U+1FFFE  U+1FFFF
 U+2FFFE  U+2FFFF
 ...
 U+EFFFE  U+EFFFF
 U+FFFFE  U+FFFFF
 U+10FFFE U+10FFFF

Until Unicode 7.0, the noncharacters were "forbidden for use in open interchange of Unicode text data", so that code that processed those streams could use these code points as sentinels that could be mixed in with character data, and would always be distinguishable from that data. (Emphasis above and in the next paragraph are added in this document.)

Unicode 7.0 までは、非文字は 「Unicode テキストデータのオープンな交換での使用は 禁止」であったため、 これらのストリームを処理するコードは、これらの符号位置を 文字データと混在させられる標識として使うことができ、 それは常にデータと区別できました。 (前述および次の段落の強調は、この文書によって追加されています。)

Unicode 7.0 changed the wording so that they are "not recommended for use in open interchange of Unicode text data". The 7.0 Standard goes on to say:

Unicode 7.0 では、「Unicode テキストデータのオープンな交換での使用は 非推奨」という表現に変更されました。 7.0 標準では、次のように記述されています。

    "If a noncharacter is received in open interchange, an application is not required to interpret it in any way. It is good practice, however, to recognize it as a noncharacter and to take appropriate action, such as replacing it with U+FFFD replacement character, to indicate the problem in the text. It is not recommended to simply delete noncharacter code points from such text, because of the potential security issues caused by deleting uninterpreted characters. (See conformance clause C7 in Section 3.2, Conformance Requirements, and Unicode Technical Report #36, "Unicode Security Considerations")."

    「オープンな交換で非文字が受信された場合、 アプリケーションはそれを解釈する必要はない。 しかし、それを非文字として認識し、テキスト内の問題を示すために U+FFFD 置換文字で置き換えるなどの適切なアクションを 実行することはよい習慣である。 解釈されない文字を削除することによってセキュリティ上の問題が発生する 可能性があるため、そのようなテキストから非文字符号位置を単純に 削除することは推奨しない。 (Conformance Clause C7 in Section 3.2,Conformance Requirements および Unicode Technical Report #36, "Unicode Security Considerations" を参照)。」

This change was made because it was found that various commercial tools like editors, or for things like source code control, had been written so that they would not handle program files that used these code points, effectively precluding their use almost entirely! And that was never the intent. They've always been meant to be usable within an application, or cooperating set of applications, at will.

この変更は、 エディタやソースコード制御のような様々な市販のツールが、 これらの符号位置を使ったプログラムファイルを扱わず、 事実上これらの使用をほぼ完全に排除していることが分かったからです! そしてこれは決して意図してものではありません。 これは常に、アプリケーション単体や、協調するアプリケーションの 集合の中で、任意に使えることを意味していました。

If you're writing code, such as an editor, that is supposed to be able to handle any Unicode text data, then you shouldn't be using these code points yourself, and instead allow them in the input. If you need sentinels, they should instead be something that isn't legal Unicode. For UTF-8 data, you can use the bytes 0xC1 and 0xC2 as sentinels, as they never appear in well-formed UTF-8. (There are equivalents for UTF-EBCDIC). You can also store your Unicode code points in integer variables and use negative values as sentinels.

任意の Unicode テキストデータを扱えると想定される、エディタなどのコードを 書いている場合は、これらの符号位置を自分自身では使わず、 入力として使用できるようにする必要があります。 番兵文字が必要な場合は、正当な Unicode ではないものを使う必要があります。 UTF-8 データの場合は、バイト 0xC1 および 0xC2 を番兵文字として使用できます; これらは整形式の UTF-8 では決して現れないからです (UTF-EBCDIC にも同等のものがあります。) Unicode 符号位置を整数変数に格納し、負の値をセンチネルとして 使用することもできます。

If you're not writing such a tool, then whether you accept noncharacters as input is up to you (though the Standard recommends that you not). If you do strict input stream checking with Perl, these code points continue to be forbidden. This is to maintain backward compatibility (otherwise potential security holes could open up, as an unsuspecting application that was written assuming the noncharacters would be filtered out before getting to it, could now, without warning, start getting them). To do strict checking, you can use the layer :encoding('UTF-8').

そのようなツールを書いているのでないのなら、 非文字を入力として受け付けるかどうかはあなた次第です (しかし標準はそうしないことを勧めています)。 Perl で厳密な入力ストリームチェックをするなら、 これらの符号位置は禁止され続けます。 これは後方互換性を維持するためです (そうしないと、非文字は受け取る前にフィルタリングされることを仮定して 書かれた、疑わないアプリケーションが、警告なしに受け取るようになるといため、 潜在的なセキュリティホールが開く可能性があります)。 厳密なチェックをするためには、:encoding('UTF-8') 層を使えます。

Perl continues to warn (using the warning category "nonchar", which is a sub-category of "utf8") if an attempt is made to output noncharacters.

Perl は、非文字を出力しようとすると("utf8" のサブカテゴリである "nonchar" 警告カテゴリを使って)警告し続けます。

Unicode 符号位置を越えたもの

The maximum Unicode code point is U+10FFFF, and Unicode only defines operations on code points up through that. But Perl works on code points up to the maximum permissible signed number available on the platform. However, Perl will not accept these from input streams unless lax rules are being used, and will warn (using the warning category "non_unicode", which is a sub-category of "utf8") if any are output.

Unicode 符号位置の最大値は U+10FFFF で、 Unicode はここまでの符号位置に対する操作のみを定義しています。 しかし、Perl は、プラットフォームで利用可能な符号付きの最大数までの 符号位置で動作します。 しかし、Perl は、緩い規則が使用されていないかぎり、入力ストリームから これらを受け入れず、それらを出力しようとすると("utf8" の サブカテゴリである "non_unicode" 警告カテゴリを使って)警告します。

Since Unicode rules are not defined on these code points, if a Unicode-defined operation is done on them, Perl uses what we believe are sensible rules, while generally warning, using the "non_unicode" category. For example, uc("\x{11_0000}") will generate such a warning, returning the input parameter as its result, since Perl defines the uppercase of every non-Unicode code point to be the code point itself. (All the case changing operations, not just uppercasing, work this way.)

Unicode の規則はこれらの符号位置に対して定義されていないため、 Unicode が定義した操作がこれらに対して行われた場合、 Perl は私たちがふさわしいと信じる規則を使いますが、一般的には "non_unicode" カテゴリの警告を行います。 例えば、uc("\x{11_0000}") はこの警告を生成し、入力パラメータを その結果として返します; Perl はすべての非 Unicode 符号位置の大文字をその 符号位置自身と定義しているからです。 (大文字化だけでなく、全ての大文字小文字変更操作はこのように 動作します。)

The situation with matching Unicode properties in regular expressions, the \p{} and \P{} constructs, against these code points is not as clear cut, and how these are handled has changed as we've gained experience.

正規表現中で \p{}\P{} 構文による Unicode 特性を このような符号位置に対してマッチングさせる状況は はっきりしたものではなく、これらをどのように扱うかは 経験を積むにつれて変更されてきました。

One possibility is to treat any match against these code points as undefined. But since Perl doesn't have the concept of a match being undefined, it converts this to failing or FALSE. This is almost, but not quite, what Perl did from v5.14 (when use of these code points became generally reliable) through v5.18. The difference is that Perl treated all \p{} matches as failing, but all \P{} matches as succeeding.

一つの可能性は、これらの符号位置に対するあらゆるマッチングを 未定義として扱うことです。 しかし、Perl はマッチングが未定義であるという概念を持っていないので、 これは失敗、または FALSE に変換されます。 これは、(完全にではありませんが) ほぼ (これらの符号位置が一般的に 信頼できるようになった) v5.14 から v5.18 までの動作です。 違いは、 Perl は全ての \p{} マッチングを失敗として扱うけれども、 全ての \P{} マッチングは成功として扱うことです。

One problem with this is that it leads to unexpected, and confusing results in some cases:

これの問題の一つは、場合によっては、予想外で混乱する結果が 導かれることです:

 chr(0x110000) =~ \p{ASCII_Hex_Digit=True}      # Failed on <= v5.18
 chr(0x110000) =~ \p{ASCII_Hex_Digit=False}     # Failed! on <= v5.18

That is, it treated both matches as undefined, and converted that to false (raising a warning on each). The first case is the expected result, but the second is likely counterintuitive: "How could both be false when they are complements?" Another problem was that the implementation optimized many Unicode property matches down to already existing simpler, faster operations, which don't raise the warning. We chose to not forgo those optimizations, which help the vast majority of matches, just to generate a warning for the unlikely event that an above-Unicode code point is being matched against.

つまり、両方のマッチングは未定義として扱われ、 偽に変換されます (それぞれ警告が発生します)。 最初の場合は予想される結果ですが、2 番目のものはおそらく直感に反します: 「補集合の両方で失敗するってどういうこと?」 もう一つの問題は、多くの Unicode 特性は、警告を発生させない、 既存のより単純で高速な演算に最適化される実装であることです。 私たちは、単に Unicode を超える符号位置に対してマッチングをするという めったに起きないことで警告を出すということのために、 圧倒的多数のマッチングの助けになるこれらの最適化をしないで 済ませるということはしないことを選びました;

As a result of these problems, starting in v5.20, what Perl does is to treat non-Unicode code points as just typical unassigned Unicode characters, and matches accordingly. (Note: Unicode has atypical unassigned code points. For example, it has noncharacter code points, and ones that, when they do get assigned, are destined to be written Right-to-left, as Arabic and Hebrew are. Perl assumes that no non-Unicode code point has any atypical properties.)

これらの問題の結果として、v5.20 から Perl が行うことは、 非 Unicode 符号位置を単なる典型的な未割り当て Unicode 文字として扱い、 それに応じてマッチングするということです。 (注意: Unicode には典型的でない未割り当て符号位置があります。 例えば、非文字符号位置があります; 割り当てられたときにはそうだったものの 一つは、アラビア語やヘブライ語のように右から左に書かれることになるものです。 Perl は、非 Unicode 符号位置に典型的でない属性はないことを仮定しています。)

Perl, in most cases, will raise a warning when matching an above-Unicode code point against a Unicode property when the result is TRUE for \p{}, and FALSE for \P{}. For example:

ほとんどの場合、Perl は、Unicode 特性を Unicode を超える符号位置に マッチングして、結果が \p{} なら TRUE\P{} なら FALSE の 場合、警告を発生させます。 例えば:

 chr(0x110000) =~ \p{ASCII_Hex_Digit=True}      # Fails, no warning
 chr(0x110000) =~ \p{ASCII_Hex_Digit=False}     # Succeeds, with warning

In both these examples, the character being matched is non-Unicode, so Unicode doesn't define how it should match. It clearly isn't an ASCII hex digit, so the first example clearly should fail, and so it does, with no warning. But it is arguable that the second example should have an undefined, hence FALSE, result. So a warning is raised for it.

これら両方の例において、マッチングする文字は非 Unicode なので、 Unicode はこれがどのようにマッチングするべきかを定義していません。 これは明らかに ASCII 16 進文字ではないので、 最初の例は明らかに失敗するべきで、実際警告なしで失敗します。 しかし 2 番目の例は未定義の、つまり FALSE の結果となるべきです。 従って警告が発生します。

Thus the warning is raised for many fewer cases than in earlier Perls, and only when what the result is could be arguable. It turns out that none of the optimizations made by Perl (or are ever likely to be made) cause the warning to be skipped, so it solves both problems of Perl's earlier approach. The most commonly used property that is affected by this change is \p{Unassigned} which is a short form for \p{General_Category=Unassigned}. Starting in v5.20, all non-Unicode code points are considered Unassigned. In earlier releases the matches failed because the result was considered undefined.

従って、警告は以前の Perl よりも遙かに少ない場合で、 結果に議論の余地がある場合にのみ発生します。 Perl によって行われた (および行われうる) どの最適化によっても 警告は飛ばされなくなったので、Perl の以前の手法の二つの問題両方を 解決しています。 この変更の影響を受ける、もっともよく使われている特性は、 \p{General_Category=Unassigned} の短縮版である \p{Unassigned} です。 v5.20 から、全ての非 Unicode 符号位置は Unassigned として扱われます。 以前のリリースでは、結果は未定義として扱われていたのでこのマッチングは 失敗していました。

The only place where the warning is not raised when it might ought to have been is if optimizations cause the whole pattern match to not even be attempted. For example, Perl may figure out that for a string to match a certain regular expression pattern, the string has to contain the substring "foobar". Before attempting the match, Perl may look for that substring, and if not found, immediately fail the match without actually trying it; so no warning gets generated even if the string contains an above-Unicode code point.

警告が発生するべきかもしれないけれでも発生しない唯一の場所は、 最適化によってパターンマッチング自体が試みられさえもしなかった場合です。 例えば、ある正規表現パターンにマッチングする文字列に対して、 文字列が特定の部分文字列 "foobar" を含んでいなければならないことに Perl が気付いたとします。 マッチングを試みる前に Perl はその部分文字列を探し、もし見つからなければ、 実際にマッチングを試みる前に直ちに失敗します; 従って、文字列に非 Unicode 符号位置が含まれていたとしても、 警告は発生しません。

This behavior is more "Do what I mean" than in earlier Perls for most applications. But it catches fewer issues for code that needs to be strictly Unicode compliant. Therefore there is an additional mode of operation available to accommodate such code. This mode is enabled if a regular expression pattern is compiled within the lexical scope where the "non_unicode" warning class has been made fatal, say by:

この振る舞いは、ほとんどのアプリケーションにとって、 以前の Perl よりもより「空気を読む」ものです。 しかし、これは厳密に Unicode に準拠していることが必要なコードにとっては より少ないながらも問題があります。 従って、そのようなコードに適応するために追加の 操作モードが利用可能です。 このモードは次のように、"non_unicode" 警告クラスが致命的になっている レキシカルスコープ内で正規表現がコンパイルされたときに有効になります:

 use warnings FATAL => "non_unicode"

(see warnings). In this mode of operation, Perl will raise the warning for all matches against a non-Unicode code point (not just the arguable ones), and it skips the optimizations that might cause the warning to not be output. (It currently still won't warn if the match isn't even attempted, like in the "foobar" example above.)

(warnings 参照)。 この操作モードでは、Perl は (議論の余地のあるものだけでなく) 非 Unicode 符号位置に対する全てのマッチングで警告を出力し、 警告が出力されなくなるかもしれない最適化を飛ばします。 (現在のところ、前述の "foobar" の例のように、マッチングが試みられさえ しなかった場合は、警告は出ないままです。)

In summary, Perl now normally treats non-Unicode code points as typical Unicode unassigned code points for regular expression matches, raising a warning only when it is arguable what the result should be. However, if this warning has been made fatal, it isn't skipped.

まとめると、Perl は通常正規表現マッチングでは非 Unicode 符号位置を 典型的な Unicode 未割り当て符号位置として扱い、 その結果に議論の余地がある場合にのみ警告を出力するようになりました。 しかし、警告が致命的になっている場合は、これは飛ばされません。

There is one exception to all this. \p{All} looks like a Unicode property, but it is a Perl extension that is defined to be true for all possible code points, Unicode or not, so no warning is ever generated when matching this against a non-Unicode code point. (Prior to v5.20, it was an exact synonym for \p{Any}, matching code points 0 through 0x10FFFF.)

これら全てに関して一つの例外があります。 \p{All} は Unicode 特性のように見えますが、 これは Unicode であろうがなかろうが全ての可能な符号位置に対して 真と定義されている Perl 拡張なので、非 Unicode 符号位置に対してこれを マッチングしても警告は発生しません。 (v5.20 より前では、これは \p{Any} の正確な別名で、 0 から 0x10FFFF の符号位置にマッチングしていました。)

Unicode のセキュリティへの影響

まず、 Unicode Security Considerations を 読んでください。

Also, note the following:

また、以下のことに注意してください:

  • Malformed UTF-8

    不正な UTF-8

    UTF-8 is very structured, so many combinations of bytes are invalid. In the past, Perl tried to soldier on and make some sense of invalid combinations, but this can lead to security holes, so now, if the Perl core needs to process an invalid combination, it will either raise a fatal error, or will replace those bytes by the sequence that forms the Unicode REPLACEMENT CHARACTER, for which purpose Unicode created it.

    UTF-8 is very structured, so many combinations of bytes are invalid. 以前は、Perl はこれと戦って、不正な組み合わせに意味を持たせようとしましたが、 これはセキュリティホールを引き起こすことがあったので、 今では、Perl コアが不正な組み合わせを処理する必要があると、 致命的エラーが発生するか、それらのバイト列を、Unicode がこのために作った Unicode の REPLACEMENT CHARACTER を形成する並びに置き換えます。

    Every code point can be represented by more than one possible syntactically valid UTF-8 sequence. Early on, both Unicode and Perl considered any of these to be valid, but now, all sequences longer than the shortest possible one are considered to be malformed.

    全ての符号位置は、一つの可能な文法的に正当な UTF-8 並び以上の 方法で表現できます。 以前は、Unicode と Perl はこれら全ても正当であると考えていましたが、 今は、最短のもの以外の、より長い全ての並びは不正と考えられます。

    Unicode considers many code points to be illegal, or to be avoided. Perl generally accepts them, once they have passed through any input filters that may try to exclude them. These have been discussed above (see "Surrogates" under UTF-16 in "Unicode Encodings", "Noncharacter code points", and "Beyond Unicode code points").

    Unicode は多くの符号位置を不正または避けるべきと考えています。 Perl は、一旦これらを除外しようとする入力フィルタを通過したものは、 一般的にこれらを受け入れます。 これらは先に議論しています ("Unicode Encodings" の UTF-16 の「サロゲート」("Surrogates"), "Noncharacter code points", "Beyond Unicode code points" を 参照してください)。

  • Regular expression pattern matching may surprise you if you're not accustomed to Unicode. Starting in Perl 5.14, several pattern modifiers are available to control this, called the character set modifiers. Details are given in "Character set modifiers" in perlre.

    Unicode に慣れていないなら、正規表現パターンマッチングは あなたを驚かせるかもしれません。 Perl 5.14 から、これを制御するためのいくつかのパターンマッチング修飾子が 利用可能になりました; これは文字集合修飾子と呼ばれます。 詳細は "Character set modifiers" in perlre にあります。

As discussed elsewhere, Perl has one foot (two hooves?) planted in each of two worlds: the old world of ASCII and single-byte locales, and the new world of Unicode, upgrading when necessary. If your legacy code does not explicitly use Unicode, no automatic switch-over to Unicode should happen.

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: ASCII と単一バイトロケールの 古い世界と、必要に応じて昇格する Unicode の新しい世界です。 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、 Unicode への切り替えが自動的になされることはありません。

EBCDIC 上の Perl での Unicode

Unicode is supported on EBCDIC platforms. See perlebcdic.

Unicode は EBCDIC プラットフォームで対応しています。 perlebcdic を参照してください。

Unless ASCII vs. EBCDIC issues are specifically being discussed, references to UTF-8 encoding in this document and elsewhere should be read as meaning UTF-EBCDIC on EBCDIC platforms. See "Unicode and UTF" in perlebcdic.

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、 EBCDIC 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、 UTF-EBCDIC を意味するものとして読むべきです。 "Unicode and UTF" in perlebcdic を参照してください。

Because UTF-EBCDIC is so similar to UTF-8, the differences are mostly hidden from you; use utf8 (and NOT something like use utfebcdic) declares the script is in the platform's "native" 8-bit encoding of Unicode. (Similarly for the ":utf8" layer.)

UTF-EBCDIC は UTF-8 にとても似ているので、違いはほとんど隠されています; use utf8 (そして use utfebcdic のようなものでは「ありません」) は スクリプトがそのプラットフォームの「ネイティブな」Unicode の 8 ビット エンコーディングであることを宣言します。 (":utf8" 層も同様です。)

ロケール

"Unicode and UTF-8" in perllocale を参照してください。

Unicode ではない場合

There are still many places where Unicode (in some encoding or another) could be given as arguments or received as results, or both in Perl, but it is not, in spite of Perl having extensive ways to input and output in Unicode, and a few other "entry points" like the @ARGV array (which can sometimes be interpreted as UTF-8).

Perl には入出力を Unicode で行うための幅広い方法があり、 @ARGV 配列のように (時々 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」がいくつかあるにも関わらず、 (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たり、あるいは 両方であ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. Also, see "The "Unicode Bug"". For all of these interfaces Perl currently (as of v5.16.0) simply assumes byte strings both as arguments and results, or UTF-8 strings if the (deprecated) 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。 また、"The "Unicode Bug"" を参照してください。 これらすべてが現在の Perl(v5.16.0) では単純に引数と戻り値の両方が バイト文字列か、(廃止予定の) 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 that Perl does not attempt to resolve the role of Unicode in these situations 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 qx and system: how well will the "command-line interface" (and which of them?) handle Unicode?

このような状況において、Perl が 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 qxsystem 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 バグ」

The term, "Unicode bug" has been applied to an inconsistency with the code points in the Latin-1 Supplement block, that is, between 128 and 255. Without a locale specified, unlike all other characters or code points, these characters can have very different semantics depending on the rules in effect. (Characters whose code points are above 255 force Unicode rules; whereas the rules for ASCII characters are the same under both ASCII and Unicode rules.)

「Unicode バグ」("Unicode bug")という用語は、 Latin-1 Supplement ブロック、つまり 128 から 255 にある符号位置の 非一貫性に対して使われます。 その他の文字や符号位置とは異なり、これらの文字は 有効な規則によってとても異なったセマンティクスです。 (255 を超える符号位置の文字は Unicode の規則が強制されます; 一方 ASCII 文字のための規則は、ASCII と Unicode の規則で同じです。)

Under Unicode rules, these upper-Latin1 characters are interpreted as Unicode code points, which means they have the same semantics as Latin-1 (ISO-8859-1) and C1 controls.

Unicode の規則の下では、これらの上位の Latin1 文字は Unicode 符号位置として 解釈され、Latin-1 (ISO-8859-1) および C1 制御文字と 同じセマンティクスを持ちます。

As explained in "ASCII Rules versus Unicode Rules", under ASCII rules, they are considered to be unassigned characters.

"ASCII Rules versus Unicode Rules" で説明されているように、 ASCII の規則では、これらは未割り当て文字と見なされます。

This can lead to unexpected results. For example, a string's semantics can suddenly change if a code point above 255 is appended to it, which changes the rules from ASCII to Unicode. As an example, consider the following program and its output:

これにより、予期しない結果が生じる可能性があります。 たとえば、255 を超えるコードポイントが文字列に追加された場合、 文字列のセマンティクスが突然変更され、規則が ASCII から Unicode に 変更される可能性があります。 例として、次のプログラムとその出力を考えてみます:

 $ perl -le'
     no feature "unicode_strings";
     $s1 = "\xC2";
     $s2 = "\x{2660}";
     for ($s1, $s2, $s1.$s2) {
         print /\w/ || 0;
     }
 '
 0
 0
 1

If there's no \w in s1 nor in s2, why does their concatenation have one?

s1s2\w がなければ、なぜこれらの結合は一つになるのでしょう?

This anomaly stems from Perl's attempt to not disturb older programs that didn't use Unicode, along with Perl's desire to add Unicode support seamlessly. But the result turned out to not be seamless. (By the way, you can choose to be warned when things like this happen. See encoding::warnings.)

この異常は、Unicode を使用していない、 古いプログラムを妨害しないようにしようという Perl の試みと、 Unicode 対応をシームレスに追加しようとする Perl の 願望によるものです。 しかしその結果はシームレスになりませんでした。 (ところで、このようなことが起きたときに警告されるようにできます。 encoding::warnings を参照してください。)

use feature 'unicode_strings' was added, starting in Perl v5.12, to address this problem. It affects these things:

Perl v5.12 から、この問題に対応に対応するために use feature 'unicode_strings' が追加されました。 これは以下のような影響があります:

  • Changing the case of a scalar, that is, using uc(), ucfirst(), lc(), and lcfirst(), or \L, \U, \u and \l in double-quotish contexts, such as regular expression substitutions.

    スカラの大文字小文字を変える; つまり、uc(), ucfirst(), lc(), lcfirst() を使ったり、正規表現置換のようなダブルクォート風 コンテキストの中で \L, \U, \u, \l を使う。

    Under unicode_strings starting in Perl 5.12.0, Unicode rules are generally used. See "lc" in perlfunc for details on how this works in combination with various other pragmas.

    Perl 5.12.0 からの unicode_strings では、一般的に Unicode の規則が使われます。 これがさまざまなプラグマと組み合わせて動作する方法の 詳細については、"lc" in perlfunc を参照してください。

  • Using caseless (/i) regular expression matching.

    大文字小文字を無視した (/i) 正規表現マッチングを使う。

    Starting in Perl 5.14.0, regular expressions compiled within the scope of unicode_strings use Unicode rules even when executed or compiled into larger regular expressions outside the scope.

    Perl 5.14.0 から、unicode_strings のスコープ内でコンパイルされた 正規表現は、スコープの外で実行されたり、 より大きな正規表現の中にコンパイルされたりした場合でも、 Unicode の規則を使います。

  • Matching any of several properties in regular expressions.

    正規表現中にいくつかの特性を使う。

    These properties are \b (without braces), \B (without braces), \s, \S, \w, \W, and all the Posix character classes except [[:ascii:]].

    その特性は、(大かっこなしの) \b, (大かっこなしの) \B, \s, \S, \w, \W および、 [[:ascii:]] 以外の Posix 文字クラスです。

    Starting in Perl 5.14.0, regular expressions compiled within the scope of unicode_strings use Unicode rules even when executed or compiled into larger regular expressions outside the scope.

    Perl 5.14.0 から、unicode_strings のスコープ内でコンパイルされた 正規表現は、スコープの外で実行されたり、 より大きな正規表現の中にコンパイルされたりした場合でも、 Unicode の規則を使います。

  • In quotemeta or its inline equivalent \Q.

    quotemeta や、インラインの等価物である \Q の中。

    Starting in Perl 5.16.0, consistent quoting rules are used within the scope of unicode_strings, as described in "quotemeta" in perlfunc. Prior to that, or outside its scope, no code points above 127 are quoted in UTF-8 encoded strings, but in byte encoded strings, code points between 128-255 are always quoted.

    Perl 5.16.0 から、"quotemeta" in perlfunc で記述されているように、 unicode_strings のスコープの中では、 一貫したクォート規則が使われます。 それ以前であったり、スコープ外の場合、 UTF-8 エンコードされた文字列では 128 を超える符号位置の文字は クォートされないが、 バイトエンコードされた文字列では、128-255 の符号位置は常にクォートされる。

  • In the .. or range operator.

    .. という 範囲 演算子の中。

    Starting in Perl 5.26.0, the range operator on strings treats their lengths consistently within the scope of unicode_strings. Prior to that, or outside its scope, it could produce strings whose length in characters exceeded that of the right-hand side, where the right-hand side took up more bytes than the correct range endpoint.

    Perl 5.26.0 から、文字列への範囲演算子は、 unicode_strings のスコープ内で、その長さを一貫性を持って扱います。 それより前、あるいはスコープの外では、 右側が正しい範囲の端点より多くのバイト数を必要とする場所では、 右側の長さを超えた長さの文字を生成することがあります。

  • split の空白分割の特殊処理 の中。

    Starting in Perl 5.28.0, the split function with a pattern specified as a string containing a single space handles whitespace characters consistently within the scope of of unicode_strings. Prior to that, or outside its scope, characters that are whitespace according to Unicode rules but not according to ASCII rules were treated as field contents rather than field separators when they appear in byte-encoded strings.

    Perl 5.28.0 から、単一の空白からなる文字列をパターンとして 指定された split 関数は、unicode_strings のスコープ内では 空白文字を一貫性を持って扱います。 それより前、あるいはスコープの外では、 Unicode の規則では空白だけれども ASCII の規則ではそうではない文字は、 バイトエンコードされた文字列に現れた場合、 フィールド区切りではなくフィールドの内容として扱われていました。

You can see from the above that the effect of unicode_strings increased over several Perl releases. (And Perl's support for Unicode continues to improve; it's best to use the latest available release in order to get the most complete and accurate results possible.) Note that unicode_strings is automatically chosen if you use 5.012 or higher.

前述のところから、unicode_strings の効果は Perl のリリースが進むにつれて 拡大していることが分かります。 (そして Perl の Unicode 対応は改良し続けられています; 最大限に完全で正確な結果を得るためには、利用可能な最新のリリースを 使うのが最良です。) use 5.012 以上を使うと、unicode_strings は自動的に選択されることに 注意してください。

For Perls earlier than those described above, or when a string is passed to a function outside the scope of unicode_strings, see the next section.

前述したものより古い Perl の場合や、文字列が unicode_strings の スコープ外の関数から渡された場合、次の節を参照してください。

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" or "The "Unicode Bug"") there are situations where you simply need to force a byte string into UTF-8, or vice versa. The standard module Encode can be used for this, or the low-level calls utf8::upgrade($bytestring) and utf8::downgrade($utf8string[, FAIL_OK]).

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。 標準モジュール Encode や、 低レベルの呼び出し utf8::upgrade($bytestring)utf8::downgrade($utf8string[, FAIL_OK]) が このために使えます。

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。

Calling either function on a string that already is in the desired state is a no-op.

既に望み通りの状態になっている文字列に対してこれらの関数を呼び出しても、 何も起こりません。

"ASCII Rules versus Unicode Rules" gives all the ways that a string is made to use Unicode rules.

"ASCII Rules versus Unicode Rules" は、Unicode の規則を使う文字列が 作られる全ての方法を提供します。

XS で Unicode を使う

See "Unicode Support" in perlguts for an introduction to Unicode at the XS level, and "Unicode Support" in perlapi for the API details.

XS レベルの Unicode の紹介については "Unicode Support" in perlguts を、 API の詳細については "Unicode Support" in perlapi を参照してください。

以前の Unicode のバージョンで動作させるように Perl をハックする (とても真剣なハッカー専用)

Perl by default comes with the latest supported Unicode version built-in, but the goal is to allow you to change to use any earlier one. In Perls v5.20 and v5.22, however, the earliest usable version is Unicode 5.1. Perl v5.18 and v5.24 are able to handle all earlier versions.

Perl はデフォルトでは最新の Unicode バージョンが組み込まれていますが、 目標は、より古いものに変更できるようにすることです。 しかし、Perl v5.20 と v5.22 は、利用可能なもっと早いバージョンは Unicode 5.1 です。 Perl v5.18 と v5.24 では、それ以前の全てのバージョンが利用可能です。

Download the files in the desired version of Unicode from the Unicode web site http://www.unicode.org). These should replace the existing files in lib/unicore in the Perl source tree. Follow the instructions in README.perl in that directory to change some of their names, and then build perl (see INSTALL).

Unicode の Web サイト http://www.unicode.org から、目的の Unicode バージョンのファイルをダウンロードします。 これらのファイルは、Perl ソースツリーの lib/unicore の既存のファイルを 置き換える必要があります。 一部の名前を変えるには、そのディレクトリにある README.perl の指示に従って、 perl をビルドしてください (INSTALL 参照)。

perl 5.6.X からコードを移植する

Perls starting in 5.8 have 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 からは 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 ($] > 5.008) {
        binmode $fh, ":encoding(UTF-8)";
      }
  • 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 (January 2012) 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(2012 年 1 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 ($] > 5.008) {
        require Encode;
        $val = Encode::encode("UTF-8", $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 ($] > 5.008) {
        require Encode;
        $val = Encode::decode("UTF-8", $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 ($] > 5.008) {
        require Encode;
        Encode::_utf8_on($val);
      }
  • A wrapper for DBI fetchrow_array and fetchrow_hashref

    DBIfetchrow_arrayfetchrow_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 (January 2012), the DBI has no standardized way to deal with UTF-8 data. Please check the DBI 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_arrayfetchrow_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(2012 年 1 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 DBI の文書 をチェックして確かめてください。

      sub fetchrow {
        # $what is one of fetchrow_{array,hashref}
        my($self, $sth, $what) = @_;
        if ($] < 5.008) {
          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 $] > 5.008;

バグ

See also "The "Unicode Bug"" above.

前述の "The "Unicode Bug"" も参照してください。

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 recognize that 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を認識しない場合、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("UTF-8", Foo::Bar::escape_html(
                                     Encode::encode("UTF-8", $what)));
    }

Sometimes, when the extension does not convert data but just stores and retrieves it, you will be able 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 使うことができるかもしれません。 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 improved the situation. 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 [0-9] (then again, there are hundreds of Unicode characters matching Nd compared with the 10 ASCII characters matching [0-9]).

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 状況を改善するキャッシュ機構が導入されました。 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 [0-9] 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、[0-9] は 10 の ASCII 文字に対して マッチするのに対して Nd は数百の Unicode 文字にマッチします)。

SEE ALSO

perlunitut, perluniintro, perluniprops, Encode, open, utf8, bytes, perlretut, "${^UNICODE}" in perlvar, http://www.unicode.org/reports/tr44).