- 名前
- 説明
- 重要な警告
- バイトと文字のセマンティクス
- 文字セマンティクスの効果
- Unicode 文字特性
- ユーザ定義文字特性
- 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)
- 入出力のための文字エンコーディング
- Unicode 正規表現対応レベル
- Unicode のエンコーディング
- Non-character code points
- Unicode 符号位置を越えたもの
- Unicode のセキュリティへの影響
- EBCDIC 上の Perl での Unicode
- ロケール
- Unicode ではない場合
- 「Unicode バグ」
- 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)
- XS で Unicode を使う
- 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)
- バグ
- SEE ALSO
名前¶
perlunicode - Unicode support in Perl
perlunicode - Perl における Unicode サポート
説明¶
重要な警告¶
Unicode support is an extensive requirement. While Perl does not implement the Unicode standard or the accompanying technical reports from cover to cover, Perl does support many Unicode features.
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。
People who want to learn to use Unicode in Perl, should probably read the Perl Unicode tutorial, perlunitut and perluniintro, before reading this reference document.
Perl で Unicode を使うことを学びたい人は、多分このリファレンスを読む前に the Perl Unicode tutorial, perlunitut と perluniintro を 読んだ方がよいでしょう。
Also, the use of Unicode may present security issues that aren't obvious. Read Unicode Security Considerations.
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。 Unicode Security Considerations を 読んでください。
- 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 useuse 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)
Perl knows when a filehandle uses Perl's internal Unicode encodings (UTF-8, or UTF-EBCDIC if in EBCDIC) if the filehandle is opened with the
:encoding(utf8)
layer. Other encodings can be converted to Perl's encoding on input or from Perl's encoding on output by use of the:encoding(...)
layer. See open.Perl は、ファイルハンドルが
:encoding(utf8)
層を指定してオープンされると、 ファイルハンドルが Perl の内部 Unicode エンコーディング (UTF-8, または EBCDIC の時は UTF-EBCDIC) を使うことが分かります。 その他のエンコーディングは、:encoding(...)
層を使うことで、 入力時の Perl のエンコーディングへの変換や出力時の Perl の エンコーディングからの変換を行えます。 open を参照してください。To indicate that Perl source itself is in UTF-8, use
use utf8;
.Perl のソース自身が UTF-8 であることを示すには、
use utf8;
を 使ってください。 use utf8
still needed to enable UTF-8/UTF-EBCDIC in scripts-
As a compatibility measure, the
use utf8
pragma must be explicitly included to enable recognition of UTF-8 in the Perl scripts themselves (in string or regular expression literals, or in identifier names) on ASCII-based machines or to recognize UTF-EBCDIC on EBCDIC-based machines. These are the only times when an explicituse utf8
is needed. See utf8.互換性のために、ASCII ベースのマシンにおいて Perl スクリプトそれ自身の 中の UTF-8 を(文字列や正規表現リテラル、あるいは変数名で) 認識可能に するためや、EBCDIC ベースのマシンで UTF-EBCDIC を認識させるために
use utf8
プラグマを明示的に含めなければなりません。 これらは明示的にuse utf8
が必要な唯一の場合です。 utf8 を参照してください。 BOM
-marked scripts and UTF-16 scripts autodetected-
If a Perl script begins marked with the Unicode
BOM
(UTF-16LE, UTF16-BE, or UTF-8), or if the script looks like non-BOM
-marked UTF-16 of either endianness, Perl will correctly read in the script as Unicode. (BOM
less UTF-8 cannot be effectively recognized or differentiated from ISO 8859-1 or other eight-bit encodings.)Unicode
BOM
(UTF-16LE, UTF16-BE, またはUTF-8)で Perl スクリプトが 始まっていたり、スクリプトがBOM
がついていない UTF-16(BE か LE のいずれか) であった場合、Perl はそのスクリプトを Unicode であるとして正しく読み込みます。 (BOM
がない UTF-8 は、効率的に ISO 8859-1 などの 8 ビットエンコーディングと 区別したり認識することができません。) use encoding
needed to upgrade non-Latin-1 byte strings-
By default, there is a fundamental asymmetry in Perl's Unicode model: implicit upgrading from byte strings to Unicode strings assumes that they were encoded in ISO 8859-1 (Latin-1), but Unicode strings are downgraded with UTF-8 encoding. This happens because the first 256 codepoints in Unicode happens to agree with Latin-1.
デフォルトでは、Perl の Unicode モデルにおける基本的な非対称があります: バイト文字列から Unicode 文字列への暗黙の昇格はその文字列が ISO 8859-1 (Latin-1) でエンコードされているものと仮定しますが、 Unicode 文字列からのダウングレードは UTF-8 エンコーディングへと行われます。 これは Unicode の最初の 256 文字が Latin-1 と共通であるからです。
See "Byte and Character Semantics" for more details.
詳細は "Byte and Character Semantics" を参照してください。
バイトと文字のセマンティクス¶
Perl uses logically-wide characters to represent strings internally.
Perl は論理的なワイド文字を内部的な文字列の表現のために使っています。
Starting in Perl 5.14, Perl-level operations work with characters rather than bytes within the scope of a use feature 'unicode_strings'
(or equivalently use 5.012
or higher). (This is not true if bytes have been explicitly requested by use bytes
, nor necessarily true for interactions with the platform's operating system.)
Perl 5.14 から、use feature 'unicode_strings'
(または等価な use 5.012
以上) のスコープ内では、 Perl レベルの操作はバイトではなく文字に対して働きます。 (これは use bytes
によってバイトが明示的に要求された 場合には真ではなく、プラットフォームのオペレーティングシステムとの 相互作用に関しては真である必要はありません。)
For earlier Perls, and when unicode_strings
is not in effect, Perl provides a fairly safe environment that can handle both types of semantics in programs. For operations where Perl can unambiguously decide that the input data are characters, Perl switches to character semantics. For operations where this determination cannot be made without additional information from the user, Perl decides in favor of compatibility and chooses to use byte semantics.
より古い Perl や、unicode_strings
が有効でないとき、Perl は プログラムで両方の型の意味論を扱えるかなり安全な環境を提供します。 入力データが文字であると Perl が曖昧さなく決定できる操作については、 Perl は文字セマンティクスに切り替えます。 ユーザーからの付加的な情報抜きに決定することができない操作については Perl は互換性の観点からバイトセマンティクスを選択します。
When use locale
(but not use locale ':not_characters'
) is in effect, Perl uses the rules associated with the current locale. (use locale
overrides use feature 'unicode_strings'
in the same scope; while use locale ':not_characters'
effectively also selects use feature 'unicode_strings'
in its scope; see perllocale.) Otherwise, Perl uses the platform's native byte semantics for characters whose code points are less than 256, and Unicode rules for those greater than 255. That means that non-ASCII characters are undefined except for their ordinal numbers. This means that none have case (upper and lower), nor are any a member of character classes, like [:alpha:]
or \w
. (But all do belong to the \W
class or the Perl regular expression extension [:^alpha:]
.)
use locale
が有効 (しかし use locale ':not_characters'
が有効でない) の場合、Perl は現在のロケールに関連づけられた規則を使います。 (use locale
は同じスコープ内の use feature 'unicode_strings'
を 上書きします; 一方 use locale ':not_characters'
も事実上そのスコープ内で use feature 'unicode_strings'
を選択します; perllocale を 参照してください。) さもなければ、Perl は 256 より小さい符号位置の文字に関しては プラットフォームのネイティブなバイト意味論を使い、 255 より大きい符号位置については Unicode の規則を使います。 つまり 非 ASCII 文字は、その番号以外では未定義です。 つまり、大文字小文字はなく、[:alpha:]
や \w
のような、 どの文字クラスにも含まれません。 (しかし \W
クラスや Perl の正規表現拡張 [:^alpha:]
には属します。)
This behavior preserves compatibility with earlier versions of Perl, which allowed byte semantics in Perl operations only if none of the program's inputs were marked as being a source of Unicode character data. Such data may come from filehandles, from calls to external programs, from information provided by the system (such as %ENV
), or from literals and constants in the source text.
この動作は Perl の以前のバージョンとの互換性を維持し、プログラムの 入力が Unicode の文字データのソースであるとマークされていない場合にのみ Perl の操作でバイトセマンティクスを許可します。 そのようなデータは、ファイルハンドル、外部プログラムの呼び出し、 システムから提供される情報(%ENV
のような)、ソーステキスト中のリテラルや 定数といったものからくるものです。
The utf8
pragma is primarily a compatibility device that enables recognition of UTF-(8|EBCDIC) in literals encountered by the parser. Note that this pragma is only required while Perl defaults to byte semantics; when character semantics become the default, this pragma may become a no-op. See utf8.
utf8
プラグマは主としてパーサが遭遇するリテラル中の UTF-(8|EBCDIC) の 認識を有効にする互換デバイス(compatibility device)です。 このプラグマは Perl のデフォルトがバイトセマンティクスであるときにのみ 必要であることに注意してください; 文字セマンティクスが デフォルトである場合には、このプラグマは何もしません。 utf8 を参照してください。
If strings operating under byte semantics and strings with Unicode character data are concatenated, the new string will have character semantics. This can cause surprises: See "BUGS", below. You can choose to be warned when this happens. See encoding::warnings
.
バイトセマンティクスの元での文字列の操作で、Unicode 文字データが 連結された文字列であった場合、新たな文字列は文字セマンティックスを 保ちます。 これは驚きを引き起こすかもしれません: 後述する "BUGS" を 参照してください。 これが起きたときに警告されるようにすることを選択できます。 encoding::warnings
を参照してください。
Under character semantics, many operations that formerly operated on bytes now operate on characters. A character in Perl is logically just a number ranging from 0 to 2**31 or so. Larger characters may encode into longer sequences of bytes internally, but this internal detail is mostly hidden for Perl code. See perluniintro for more.
文字セマンティクスの元では、伝統的にバイトに対して働いていた操作の多くが 文字に対して働きます。 Perl における文字は論理的には 0 から 2**31 までの範囲の数値です。 大きな文字は内部的にはより長いシーケンスにエンコードされる可能性が ありますが、この内部の詳細は Perl プログラムからほとんど隠されています。 詳細は perluniintro を参照してください。
文字セマンティクスの効果¶
Character semantics have the following effects:
文字セマンティクスは以下の効果を持っています:
-
Strings--including hash keys--and regular expression patterns may contain characters that have an ordinal value larger than 255.
文字列 -- ハッシュのキーを含め -- と正規表現パターンは序数値として 255 を 超える値を持つ文字を含めることができます。
If you use a Unicode editor to edit your program, Unicode characters may occur directly within the literal strings in UTF-8 encoding, or UTF-16. (The former requires a
BOM
oruse utf8
, the latter requires aBOM
.)プログラムを編集するのに Unicode エディタを使っているのであれば、Unicode の 文字 UTF-8 か UTF-16 のエンコーディングコーディングでリテラル文字列に 含めることができます。 (前者は
BOM
かuse utf8
を必要とし、後者はBOM
を必要とします。)Unicode characters can also be added to a string by using the
\N{U+...}
notation. The Unicode code for the desired character, in hexadecimal, should be placed in the braces, after theU
. For instance, a smiley face is\N{U+263A}
.Unicode の文字は
\x{...}
表記を使うことにより文字列に 追加することもできます。 その表現される Unicode コードは、16 進でブレースに囲みます。 たとえば、smiley face は\N{U+263A}
です。Alternatively, you can use the
\x{...}
notation for characters0x100
and above. For characters below0x100
you may get byte semantics instead of character semantics; see "The "Unicode Bug"". On EBCDIC machines there is the additional problem that the value for such characters gives the EBCDIC character rather than the Unicode one, thus it is more portable to use\N{U+...}
instead.あるいは、
0x100
以上の文字については\x{...}
記法が使えます。0x100
より小さい文字については文字セマンティクスではなく バイトセマンティクスを使います; "The "Unicode Bug"" を参照してください。 EBCDIC マシンでは、このような文字の値が Unicode のものではなく EBCDIC のものになるという追加の問題があります; 従って、代わりに\N{U+...}
を使う方が移植性があります。Additionally, you can use the
\N{...}
notation and put the official Unicode character name within the braces, such as\N{WHITE SMILING FACE}
. This automatically loads the charnames module with the:full
and:short
options. If you prefer different options for this module, you can instead, before the\N{...}
, explicitly load it with your desired options; for example,これに加えて、
\N{...}
表記を使うことができ、公式な Unicode 文字名を\N{WHITE SMILING FACE}
のようにブレースの中に置くことができます。 これは自動的に:full
と:short
オプション付きで charnames で読み込みます。 このモジュールに異なったオプションを指定したい場合は、\N{...}
を 使う前に、好みのオプションで明示的にこれを読み込んでください; 例えば:use charnames ':loose';
-
If an appropriate encoding is specified, identifiers within the Perl script may contain Unicode alphanumeric characters, including ideographs. Perl does not currently attempt to canonicalize variable names.
適切な encoding が指定されていれば、Perl スクリプトの中の識別子で 表意文字を含めた Unicode の英数字を含めることができます。 Perl は現在、変数名を正規化しようとはしません。
-
Regular expressions match characters instead of bytes.
"."
matches a character instead of a byte.正規表現はバイトではなく文字にマッチします。
"."
は一バイトではなく、ひとつの文字にマッチします。 -
Bracketed character classes in regular expressions match characters instead of bytes and match against the character properties specified in the Unicode properties database.
\w
can be used to match a Japanese ideograph, for instance.正規表現中の大かっこ文字クラスはバイトではなく文字にマッチし、Unicode の 特性データベースで定義されている文字特性に対してマッチを行います。 たとえば、
\w
は日本語の表意文字にマッチさせるために使うことができます。 -
Named Unicode properties, scripts, and block ranges may be used (like bracketed character classes) by using the
\p{}
"matches property" construct and the\P{}
negation, "doesn't match property". See "Unicode Character Properties" for more details.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。 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{}
と\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。 -
The special pattern
\X
matches a logical character, an "extended grapheme cluster" in Standardese. In Unicode what appears to the user to be a single character, for example an accentedG
, may in fact be composed of a sequence of characters, in this case aG
followed by an accent character.\X
will match the entire sequence.特殊なパターン
\X
は論理文字、標準で言うところの 「拡張書記素クラスタ」にマッチングします。 Unicode では、ユーザーには単一の文字、例えばアクセント付きのG
に 見えるものが、実際には文字の並び、この場合ではG
に引き続いて アクセント文字から構成されるかもしれません。\X
は並び全体にマッチングします。 -
The
tr///
operator translates characters instead of bytes. Note that thetr///CU
functionality has been removed. For similar functionality see pack('U0', ...) and pack('C0', ...).tr///
演算子はバイトではなく文字で変換します。tr///CU
は削除されたことに注意してください。 同様のことを行うには pack('U0', ...) と pack('C0', ...) を 参照してください。 -
Case translation operators use the Unicode case translation tables when character input is provided. Note that
uc()
, or\U
in interpolated strings, translates to uppercase, whileucfirst
, or\u
in interpolated strings, translates to titlecase in languages that make the distinction (which is equivalent to uppercase in languages without the distinction).大小文字の変換演算子は Unicode の大小文字変換テーブルを、文字の入力が あったときに使用します。
uc()
や展開文字列中の\U
は大文字に変換し、ucfirst
や 展開文字列中の\u
はその言語で区別されているときに タイトルケースに変換します (これは、区別がない言語では大文字と等価です)。 -
Most operators that deal with positions or lengths in a string will automatically switch to using character positions, including
chop()
,chomp()
,substr()
,pos()
,index()
,rindex()
,sprintf()
,write()
, andlength()
. An operator that specifically does not switch isvec()
. Operators that really don't care include operators that treat strings as a bucket of bits such assort()
, and operators dealing with filenames.文字列の位置や長さを取り扱う演算子の大部分は自動的に文字の位置を 使うように変更されました; これには
chop()
,chomp()
,substr()
,pos()
,index()
,rindex()
,sprintf()
,write()
,length()
が 含まれます。vec()
は変更されていません。 文字列をビットのバケツのように扱うsort()
、ファイル名を取り扱う演算子は 文字かどうかを気にしません。 -
The
pack()
/unpack()
letterC
does not change, since it is often used for byte-oriented formats. Again, thinkchar
in the C language.pack()
/unpack()
の文字C
は 変更されていません; なぜなら、 これらはしばしばバイト指向の書式のために使われるからです。 繰り返しますが、C 言語のchar
を考えてください。There is a new
U
specifier that converts between Unicode characters and code points. There is also aW
specifier that is the equivalent ofchr
/ord
and properly handles character values even if they are above 255.Unicode の文字と符号位置の間の変換を行う新たな
U
指定子があります。chr
/ord
と等価で、文字の値が 255 を超えていても適切に扱えるW
指定子もあります。 -
The
chr()
andord()
functions work on characters, similar topack("W")
andunpack("W")
, notpack("C")
andunpack("C")
.pack("C")
andunpack("C")
are methods for emulating byte-orientedchr()
andord()
on Unicode strings. While these methods reveal the internal encoding of Unicode strings, that is not something one normally needs to care about at all.chr()
関数とord()
関数はpack("W")
やunpack("W")
のように 文字に対して働き、pack("C")
やunpack("C")
のようには 働きません。pack("C")
とunpack("C")
は Unicode 文字列においてバイト指向のchr()
やord()
をエミュレートするためのメソッドです。 これらのメソッドが Unicode 文字列の内部エンコーディングを明らかにするので、 通常はケアする必要はありません。 -
The bit string operators,
& | ^ ~
, can operate on character data. However, for backward compatibility, such as when using bit string operations when characters are all less than 256 in ordinal value, one should not use~
(the bit complement) with characters of both values less than 256 and values greater than 256. Most importantly, DeMorgan's laws (~($x|$y) eq ~$x&~$y
and~($x&$y) eq ~$x|~$y
) will not hold. The reason for this mathematical faux pas is that the complement cannot return both the 8-bit (byte-wide) bit complement and the full character-wide bit complement.ビット文字列演算子
& | ^ ~
は文字データを操作できます。 しかし、例えば全ての文字の値が 255 以下のときに ビット文字列演算を使った場合の後方互換性のために、 256 以上の値の文字と 255 以下の値の文字の両方が含まれている文字列に~
(ビット補数) を使うべきではありません。 最も重要なことは、ド・モルガンの法則 (~($x|$y) eq ~$x&~$y
と~($x&$y) eq ~$x|~$y
) が成り立たないということです。 この数学的な 過失 の理由は補数(complement)が 8 ビットのビット補数 および 文字幅のビット補数の 両方 を返すことができないためです。 -
There is a CPAN module,
Unicode::Casing
, which allows you to define your own mappings to be used inlc()
,lcfirst()
,uc()
,ucfirst()
, andfc
(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。)
-
And finally,
scalar reverse()
reverses by character rather than by byte.そして最後に、
scalar reverse()
はバイト単位ではなく文字単位で 反転を行います。
Unicode 文字特性¶
(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}
は 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}
は \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}
は 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 True
と False
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}
や \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"
は "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"
は "Letter"
を 意味しますが、Bidi_Class
特性では、 "L"
は "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}
は \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{}
と \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}
は \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 PosixUpper
と PosixLower
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}
(短縮形は \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。 LC
と L&
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 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. 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
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_Extensions
, which is required to be written in the compound form.)
Unicode の Script と Script_Extensions 特性は、指定された文字の中にある 用字を示します 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
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}
や \P{Cyrillic}
と書けます。 (これは Script_Extensions
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。)
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.
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。
(Actually, besides Common
, the Inherited
script, contains characters that are used in multiple scripts. These are modifier characters which modify other characters, and 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。 他の文字を修正して、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、 Script
と Script_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、 Script
の Inherited
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_Extension
. 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 Script
と Script_Extension
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。
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 Perl 5.6), all properties 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}
.
(Perl 5.6 との)後方互換性のため、すべての特性はその名前の前に Is
または Is_
を置くことができます; したがって、\P{Is_Lu}
は \P{Lu}
と 等価で、\p{IsScript:Arabic}
は \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 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
or Script_Extensions
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
や Script_Extensions
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. But Perl does provide a (slight) shortcut: You can say, for example \p{In_Arrows}
or \p{In_Hebrew}
. For backwards compatibility, the In
prefix may be omitted if there is no naming conflict with a script or any other property, and you can even use an Is
prefix instead in those cases. But it is not a good idea to do this, for a couple reasons:
ブロック名は \p{Block: Arrows}
や \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。 しかし Perl は(多少の)ショートカットを提供します: 例えば \p{In_Arrows}
や \p{In_Hebrew}
のように書けます。 後方互換性のために、In
接頭辞は用字や他の特性と衝突しなければ 省略することも可能ですし、このような場合で Is
接頭辞を使うこともできます。 しかしそうするのはいい考えではありません; いくつかの理由があります:
-
It is confusing. There are many naming conflicts, and you may forget some. For example,
\p{Hebrew}
means the script Hebrew, and NOT the block Hebrew. But would you remember that 6 months from now?混乱します。 多くの名前の衝突があり、一部を忘れているかもしれません。 例えば、
\p{Hebrew}
はヘブライ 用字 を意味し、 ヘブライ ブロック ではありません。 しかし 6 ヶ月後まで覚えていられますか? -
It is unstable. A new version of Unicode may preempt the current meaning by creating a property with the same name. There was a time in very early Unicode releases when
\p{Hebrew}
would have matched the block Hebrew; now it doesn't.不安定です。 新しいバージョンの Unicode は、同じ名前の特性を作ることで現在の意味を 変えることがあります。 とても初期の Unicode リリースでは
\p{Hebrew}
がヘブライ ブロック にマッチングしていた時期がありました; 今はマッチングしません。
Some people prefer to always use \p{Block: foo}
and \p{Script: bar}
instead of the shortcuts, whether for clarity, because they can't remember the difference between 'In' and 'Is' anyway, or they aren't confident that those who eventually will read their code will know that difference.
一部の人々は、明確化のため、および 'In' と 'Is' の違いを覚えていられない、 あるいは最終的にコードを読む人々が違いを知っているか自信がないという理由で、 ショートカットではなく常に \p{Block: foo}
や \p{Script: bar}
を 使うのを好みます。
A complete list of blocks and their shortcuts is in perluniprops.
ブロックとその省略形の完全な一覧は 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, notCn
).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 category が
Unassigned
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。
To understand the use of this rarely used property=value combination, it is necessary to know some basics about decomposition. 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. This is called an "extended grapheme cluster"; Perl furnishes the
\X
regular expression construct to match such sequences.このめったに使われない property=value の組の使い方を理解するために、 分解に関するいくつかの基本を知る必要があります。 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して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。 これは「拡張書記素クラスタ」("extended grapheme cluster")と呼ばれます; Perl はこのような並びにマッチングする
\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. An example is ISO-8859-1, which has quite a few of these in the Latin-1 range, an example being
"LATIN CAPITAL LETTER E WITH ACUTE"
. Because this character was in this pre-existing standard, Unicode added it to its repertoire. 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 の意図は既存の文字集合標準と慣習を統一することであり、 既存のいくつかの標準規格には、これらの組み合わせと同じものを意味する 単一文字が含まれています。 例として、ISO-8859-1があります。この例では、Latin-1の範囲が非常に多く、
"LATIN CAPITAL LETTER E WITH ACUTE"
と呼ばれる例があります。 この文字は既存の標準に含まれていたため、Unicode はそれをレパートリーに 追加しました。 しかしこの文字は、文字"LATIN CAPITAL LETTER E"
に引き続いて文字"COMBINING ACUTE ACCENT"
からなる並びと等価であると Unicode によって考えられています。"LATIN CAPITAL LETTER E WITH ACUTE"
is called a "pre-composed" character, and its equivalence with the 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."LATIN CAPITAL LETTER E WITH ACUTE"
は「合成済」(pre-composed) 文字と 呼ばれ、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。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, again in the Latin-1 range, 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 decomposition categories that Unicode has chosen.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、再び Latin-1 の範囲では
"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
や\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, experimentally, 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 から実験的に垂直タブ、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 two digit Unicode version number, such as
1.1
or4.0
; or the "*" can also beUnassigned
. 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、
1.1
や4.0
のような 2 桁の 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 is1.1
, 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. ThusU+0041
would match only 1.1; andU+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 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、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}
と\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}
は\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。
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.
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。
-
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}
や \P{InKana}
を使うことができます。
You could also have used the existing block property names:
すでに存在しているブロック特性名を使うこともできます:
sub InKana {
return <<'END';
+utf8::InHiragana
+utf8::InKatakana
END
}
Suppose you wanted to match only the allocated characters, not the raw block ranges: in other words, you want to remove the non-characters:
生のブロック範囲ではなく、割り当てられた文字のみにマッチさせたいと 考えているとしましょう: 言い換えれば、文字以外のものを 取り除きたいということです:
sub InKana {
return <<'END';
+utf8::InHiragana
+utf8::InKatakana
-utf8::IsCn
END
}
The negation is useful for defining (surprise!) negated classes.
否定は否定クラスを定義するのに便利です。
sub InNotKana {
return <<'END';
!utf8::InHiragana
-utf8::InKatakana
+utf8::IsCn
END
}
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.
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。
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 the Unicode Technical Standard #18, "Unicode Regular Expressions", version 13, from August 2008.
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 Unicode Technical Standard #18, "Unicode Regular Expressions", version 13, from August 2008 を参照しています。
Level 1 - Basic Unicode Support
RL1.1 Hex Notation - done [1] RL1.2 Properties - done [2][3] RL1.2a Compatibility Properties - done [4] RL1.3 Subtraction and Intersection - experimental [5] RL1.4 Simple Word Boundaries - done [6] RL1.5 Simple Loose Matches - done [7] RL1.6 Line Boundaries - MISSING [8][9] RL1.7 Supplementary Code Points - done [10]
- [1]
-
\x{...}
- [2]
-
\p{...}
\P{...}
- [3]
-
supports not only minimal list, but all Unicode character properties (see Unicode Character Properties above)
最小限のリストだけでなく、全ての Unicode 文字特性に対応します (上述の Unicode Character Properties を参照)
- [4]
-
\d
\D
\s
\S
\w
\W
\X
[:prop:]
[:^prop:]
- [5]
-
The experimental feature in v5.18
"(?[...])"
accomplishes this. See "(?[ ])" in perlre. If you don't want to use an experimental feature, you can use one of the following:v5.18 の実験的機能
"(?[...])"
がこれを行います。 "(?[ ])" 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 look-ahead
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
- [6]
-
\b
\B
- [7]
-
Note that Perl does Full case-folding in matching (but with bugs), not Simple: for example
U+1F88
is equivalent toU+1F00 U+03B9
, instead of justU+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.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 (バグ付きで)行うことに注意してください: 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。 - [8]
-
Should do
^
and$
also onU+000B
(\v
in C),FF
(\f
),CR
(\r
),CRLF
(\r\n
),NEL
(U+0085
),LS
(U+2028
), andPS
(U+2029
); should also affect<>
,$.
, and script line numbers; should not split lines withinCRLF
(i.e. there is no empty line between\r
and\n
). ForCRLF
, try the:crlf
layer (see PerlIO).U+000B
(\v
in C),FF
(\f
),CR
(\r
),CRLF
(\r\n
),NEL
(U+0085
),LS
(U+2028
),PS
(U+2029
) で^
と$
を行います;<>
,$.
, スクリプトの行番号にも影響を与えます;CRLF
の中の行を分割しません (つまり\r
と\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。 - [9]
-
Linebreaking conformant with UAX#14 "Unicode Line Breaking Algorithm" is available through the
Unicode::LineBreak
module.UAX#14 "Unicode Line Breaking Algorithm" の行分割一致は
Unicode::LineBreak
モジュールによって可能です。 - [10]
-
UTF-8/UTF-EBDDIC used in Perl allows not only
U+10000
toU+10FFFF
but also beyondU+10FFFF
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 - MISSING [10][11] RL2.2 Default Grapheme Clusters - MISSING [12] RL2.3 Default Word Boundaries - MISSING [14] RL2.4 Default Loose Matches - MISSING [15] RL2.5 Name Properties - DONE RL2.6 Wildcard Properties - MISSING [10] see UAX#15 "Unicode Normalization Forms" [11] have Unicode::Normalize but not integrated to regexes [12] have \X but we don't have a "Grapheme Cluster Mode" [14] see UAX#29, Word Boundaries [15] This is covered in Chapter 3.13 (in Unicode 6.0)
Level 3 - Tailored Support
RL3.1 Tailored Punctuation - MISSING RL3.2 Tailored Grapheme Clusters - MISSING [17][18] RL3.3 Tailored Word Boundaries - MISSING RL3.4 Tailored Loose Matches - MISSING RL3.5 Tailored Ranges - MISSING RL3.6 Context Matching - MISSING [19] RL3.7 Incremental Matches - MISSING ( RL3.8 Unicode Set Sharing ) RL3.9 Possible Match Sets - MISSING RL3.10 Folded Matching - MISSING [20] RL3.11 Submatchers - MISSING [17] see UAX#10 "Unicode Collation Algorithms" [18] have Unicode::Collate but not integrated to regexes [19] have (?<=x) and (?=x), but look-aheads or look-behinds should see outside of the target substring [20] need insensitive matching for linguistic features other than case; for example, hiragana to katakana, wide and narrow, simplified Han to traditional Han (see UTR#30 "Character Foldings")
Unicode のエンコーディング¶
Unicode characters are assigned to code points, which are abstract numbers. To use these numbers, various encodings are needed.
Unicode 文字は抽象的な数値である 符号位置 にアサインされています。 これらの数値を使うために、さまざまなエンコーディングが必要となります。
UTF-8
UTF-8 is a variable-length (1 to 4 bytes), byte-order independent encoding. For ASCII (and we really do mean 7-bit ASCII, not another 8-bit encoding), UTF-8 is transparent.
UTF-8 は可変長(1 から 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。 ASCII(ここでは 7-bit ASCII のことで、他の 8-bit エンコーディングのことでは ありません)と UTF-8 は透過です。
The following table is from Unicode 3.2.
以下のテーブルは Unicode 3.2 のものです。
Code Points 1st Byte 2nd Byte 3rd Byte 4th Byte U+0000..U+007F 00..7F U+0080..U+07FF * C2..DF 80..BF U+0800..U+0FFF E0 * A0..BF 80..BF U+1000..U+CFFF E1..EC 80..BF 80..BF U+D000..U+D7FF ED 80..9F 80..BF U+D800..U+DFFF +++++ 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.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。The Unicode non-character code points are also disallowed in UTF-8 in "open interchange". See "Non-character code points".
Unicode の非文字符号位置はまた、「交換用」UTF-8 では不許可です。 "Non-character code points" を参照してください。
UTF-EBCDIC
Like UTF-8 but EBCDIC-safe, in the way that UTF-8 is ASCII-safe.
UTF-8 と似ていますが、UTF-8 が ASCII-safe であるように EBCDIC-safe です。
-
UTF-16, UTF-16BE, UTF-16LE, Surrogates, and
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 pointsU+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 rangeU+D800..U+DBFF
and the low surrogates are the rangeU+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 surrogates はU+D800..U+DBFF
の範囲で、low surrogates はU+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 pointU+FEFF
is theBOM
.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 bytes0xFE 0xFF
, but if it was written on a little-endian platform, you will read the bytes0xFF 0xFE
. (And if the originating platform was writing in UTF-8, you will read the bytes0xEF 0xBB 0xBF
.)このトリックは、
BOM
を読み込んだときにバイト順がわかるということです; ビッグエンディアンのプラットフォームで書かれたものならなら0xFE 0xFF
を読み出し、リトルエンディガンのプラットフォームで 書かれたものなら0xFF 0xFE
を読み出します。 (そしてもし元のプラットフォームで UTF-8 で書かれたものならば0xEF 0xBB 0xBF
というバイト列を読むことになるでしょう。)The way this trick works is that the character with the code point
U+FFFE
is not supposed to be in input streams, so the sequence of bytes0xFF 0xFE
is unambiguously "BOM
, represented in little-endian format" and cannot beU+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"
が"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, expect that the units are 32-bit, and therefore the surrogate scheme is not needed. UTF-32 is a fixed-width encoding. The
BOM
signatures are0x00 0x00 0xFE 0xFF
for BE and0xFF 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 than0x10_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。
Non-character code points¶
66 code points are set aside in Unicode as "non-character code points". These all have the Unassigned
(Cn
) "General_Category"
, and they never will be assigned. These are never supposed to be in legal Unicode input streams, so that code can use them as sentinels that can be mixed in with character data, and they always will be distinguishable from that data. To keep them out of Perl input streams, strict UTF-8 should be specified, such as by using the layer :encoding('UTF-8')
. The non-character code points are the 32 between U+FDD0
and U+FDEF
, and the 34 code points U+FFFE
, U+FFFF
, U+1FFFE
, U+1FFFF
, ... U+10FFFE
, U+10FFFF
. Some people are under the mistaken impression that these are "illegal", but that is not true. An application or cooperating set of applications can legally use them at will internally; but these code points are "illegal for open interchange". Therefore, Perl will not accept these from input streams unless lax rules are being used, and will warn (using the warning category "nonchar"
, which is a sub-category of "utf8"
) if an attempt is made to output them.
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、 割り当てられることはありません。 これらは、妥当な Unicode 入力ストリーム内にあるとは想定されていないので、 コードでは文字データと混ぜられる標識として使用でき、 常にデータと区別できます。 これらを Perl の入力ストリームから締め出すためには、 :encoding('UTF-8')
層を使うなどして、厳密な UTF-8 を指定する 必要があります。 非文字符号位置は、U+FDD0
と U+FDEF
の間にある 32 の符号位置と、 U+FFFE
, U+FFFF
, U+1FFFE
, U+1FFFF
, ... U+10FFFE
, U+10FFFF
の 34 の符号位置です。 これらが「不正」であるという誤った印象を受けている人もいますが、 それは事実ではありません。 アプリケーションまたは連携するアプリケーションの集合は、 内部的には正当にこれらを使用できます; しかし、これらの符号位置は 「オープンな交換には不正」です。 したがって、Perl は、緩い規則が使用されていない限り入力ストリームから これらを受け入れず、これら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 unsigned 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なしの最大数までの 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. In fact, 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。 実際の所、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{}
や \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 confusting 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 non-character 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¶
Read Unicode Security Considerations. Also, note the following:
Unicode Security Considerations を 呼んでください。 また、以下のことに注意してください:
-
Malformed UTF-8
不正な UTF-8
Unfortunately, the original specification of UTF-8 leaves some room for interpretation of how many bytes of encoded output one should generate from one input Unicode character. Strictly speaking, the shortest possible sequence of UTF-8 bytes should be generated, because otherwise there is potential for an input buffer overflow at the receiving end of a UTF-8 connection. Perl always generates the shortest length UTF-8, and with warnings on, Perl will warn about non-shortest length UTF-8 along with other malformations, such as the surrogates, which are not Unicode code points valid for interchange.
残念ながら、元の UTF-8 の仕様ではひとつの Unicode 文字の入力から 何バイトのエンコードされた出力として解釈するのかについていくらかの 余地があります。 厳密にいえば、可能な限り最も短い UTF-8 バイト列が生成されるべきです; なぜなら、そうしないと UTF-8 コネクションの終わりにおいて、入力バッファが オーバーフローする可能性があるからです。 Perl は常に最も短い長さの UTF-8 を生成し、交換のために有効な Unicode の 符号位置でないサロゲートのような不正な形式の最短でない UTF-8 に関して 警告を発します。
-
Regular 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 bytes and the new world of characters, upgrading from bytes to characters when necessary. If your legacy code does not explicitly use Unicode, no automatic switch-over to characters should happen. Characters shouldn't get downgraded to bytes, either. It is possible to accidentally mix bytes and characters, however (see perluniintro), in which case \w
in regular expressions might start behaving differently (unless the /a
modifier is in effect). Review your code. Use warnings and the strict
pragma.
すでに述べている通り、Perl は二つの世界のそれぞれに片方の足 (二つのひづめ?) を突っ込んでいます: 古いバイトの世界と新しい文字の世界で、 必要に応じてバイトから文字に昇格します。 もしあなたの古いコードが明示的に Unicode を使っていないのなら、文字への 切り替えが自動的になされることはありません。 文字はバイトにダウングレードされるべきではありません。 偶発的にバイトと文字が混じる可能性がありますが(perluniintro を参照)、 そのような場合 (/a
修飾子が有効でない限り) 正規表現中の \w
は異なるふるまいをするかもしれません。 あなたのコードをレビューしてください。 warnings と strict
プラグマを使ってください。
EBCDIC 上の Perl での Unicode¶
The way Unicode is handled on EBCDIC platforms is still experimental. On such platforms, references to UTF-8 encoding in this document and elsewhere should be read as meaning the UTF-EBCDIC specified in Unicode Technical Report 16, unless ASCII vs. EBCDIC issues are specifically discussed. There is no utfebcdic
pragma or ":utfebcdic"
layer; rather, "utf8"
and ":utf8"
are reused to mean the platform's "natural" 8-bit encoding of Unicode. See perlebcdic for more discussion of the issues.
EBCDIC プラットフォームでの Unicode の扱い方は未だ実験的です。 このようなプラットフォームでは、この文書やその他での UTF-8 エンコーディングへの言及は、特に ASCII 対 EBCDIC 問題について 議論されている場合でない限りは、Unicode Technical Report 16 で 定義されている UTF-EBCDIC を意味するものとして読むべきです。 utfebcdic
プラグマや ":utfebcdic"
層はありません; 代わりに、"utf8"
と ":utf8"
が、そのプラットフォームの「自然な」 Unicode の 8 ビットエンコーディングを意味するように再利用されています。 この問題に関する更なる議論については perlebcdic を参照してください。
ロケール¶
"Unicode and UTF-8" in perllocale を参照してください。
Unicode ではない場合¶
While Perl does have 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), there are still many places where Unicode (in some encoding or another) could be given as arguments or received as results, or both, but it is not.
Perl には入出力を Unicode で行うための多数の方法があり、 @ARGV
配列のように (時々 Unicode (UTF-8) として解釈できるような)その他の 「エントリポイント」はほとんどない一方、(何らかのエンコーディングで) Unicode が引数として与えられたり結果として返されるべきにも関わらず、 そうなっていない場所も未だ多くあります。
The following are such interfaces. 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 (problematic) 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、(問題のある) 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 qx
や system
にも言えます: 「コマンドラインインターフェース」は Unicode をどのように 扱うのでしょうか?
chdir
,chmod
,chown
,chroot
,exec
,link
,lstat
,mkdir
,rename
,rmdir
,stat
,symlink
,truncate
,unlink
,utime
,-X
%ENV
-
glob
(aka the<*>
)glob
(または<*>
) open
,opendir
,sysopen
-
qx
(aka the backtick operator),system
qx
(または逆クォート演算子),system
readdir
,readlink
「Unicode バグ」¶
The term, "Unicode bug" has been applied to an inconsistency on ASCII platforms with the Unicode 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 have very different semantics in byte semantics versus character semantics, unless use feature 'unicode_strings'
is specified, directly or indirectly. (It is indirectly specified by a use v5.12
or higher.)
「Unicode バグ」("Unicode bug")という用語は、ASCII プラットフォームで Latin-1 Supplement
ブロック、つまり 128 から 255 にある Unicode 符号位置の 非一貫性に対して使われます。 ロケール指定がない場合、直接または間接に use feature 'unicode_strings'
が指定されていない限り、 その他の文字や符号位置とは異なり、これらの文字は バイトセマンティクスと文字セマンティクスでとても異なったセマンティクスです。 (use v5.12
以上で間接的に指定されます。)
In character semantics these upper-Latin1 characters are interpreted as Unicode code points, which means they have the same semantics as Latin-1 (ISO-8859-1).
文字セマンティクスでは、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) と同じセマンティクスを持ちます。
In byte semantics (without unicode_strings
), they are considered to be unassigned characters, meaning that the only semantics they have is their ordinal numbers, and that they are not members of various character classes. None are considered to match \w
for example, but all match \W
.
(unicode_strings
なしの) バイトセマンティクスでは、 未定義文字として扱われ、保持している セマンティクスはその番号だけで、様々な文字クラスのメンバにはならないことを 意味します。 例えばどれも \w
にはマッチングしませんが、全て \W
にマッチングします。
Perl 5.12.0 added unicode_strings
to force character semantics on these code points in some circumstances, which fixed portions of the bug; Perl 5.14.0 fixed almost all of it; and Perl 5.16.0 fixed the remainder (so far as we know, anyway). The lesson here is to enable unicode_strings
to avoid the headaches described below.
Perl 5.12.0 では、このバグの一部を修正する、 ある種の状況でこれらの符号位置の文字の意味論を強制する unicode_strings
が追加されました; Perl 5.14.0 ではこれらのほぼ全てを修正しました; そして Perl 5.16.0 では (分かっている限りの) 残りを修正しました。 ここでの教訓は、後述する頭痛の種を避けるために unicode_strings
を有効にする、ということです。
The old, problematic behavior affects these areas:
この古い、問題のある振る舞いは以下のような領域で影響があります:
-
Changing the case of a scalar, that is, using
uc()
,ucfirst()
,lc()
, andlcfirst()
, or\L
,\U
,\u
and\l
in double-quotish contexts, such as regular expression substitutions. Underunicode_strings
starting in Perl 5.12.0, character semantics are generally used. See "lc" in perlfunc for details on how this works in combination with various other pragmas.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。 Perl 5.12.0 からのunicode_strings
では、一般的に 文字セマンティクスが使われます。 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. Starting in Perl 5.14.0, regular expressions compiled within the scope ofunicode_strings
use character semantics even when executed or compiled into larger regular expressions outside the scope.大文字小文字を無視した (
/i
) 正規表現マッチングを使う。 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、 その振る舞いを保持します。 -
Matching any of several properties in regular expressions, namely
\b
,\B
,\s
,\S
,\w
,\W
, and all the Posix character classes except[[:ascii:]]
. Starting in Perl 5.14.0, regular expressions compiled within the scope ofunicode_strings
use character semantics even when executed or compiled into larger regular expressions outside the scope.正規表現中に、
\b
,\B
,\s
,\S
,\w
,\W
および、[[:ascii:]]
以外の Posix 文字クラスのような、 いくつかの特性を使う。 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、 その振る舞いを保持します。 -
In
quotemeta
or its inline equivalent\Q
, 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. Starting in Perl 5.16.0, consistent quoting rules are used within the scope ofunicode_strings
, as described in "quotemeta" in perlfunc.quotemeta
や、インラインの等価物である\Q
の中で、 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。 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。
This behavior can lead to unexpected results in which a string's semantics suddenly change if a code point above 255 is appended to or removed from it, which changes the string's semantics from byte to character or vice versa. As an example, consider the following program and its output:
これの振る舞いにより、符号位置 255 を超える文字が追加されたり 削除されたりすると、文字列のセマンティックスがバイトから文字へ(または その逆へ)突然変更されるという予想外の結果を引き起こすことがあります。 例えば、以下のようなプログラムとその出力を考えます:
$ 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
or in s2
, why does their concatenation have one?
s1
や s2
に \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, and hence had no semantics for characters outside of the ASCII range (except in a locale), along with Perl's desire to add Unicode support seamlessly. The result wasn't seamless: these characters were orphaned.
この異常は、 Unicode を使用していない、つまり (ロケールを除いて) ASCII の範囲外の 文字について意味論を持たない 古いプログラムを妨害しないようにしよう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。 その結果はシームレスではありません: これらの文字は孤立していました。
For Perls earlier than those described above, or when a string is passed to a function outside the subpragma's scope, a workaround is to always call utf8::upgrade($string)
, or to use the standard module Encode. Also, a scalar that has any characters whose ordinal is 0x100
or above, or which were specified using either of the \N{...}
notations, will automatically have character semantics.
前述したものより古い Perl の場合や、文字列が副プラグマのスコープ外の関数から 渡された場合、常に utf8::upgrade($string)
を 呼び出すか標準モジュール Encode を使うことです。 また、基数が 0x100
以上の文字を持つスカラや、 いずれかの \N{...}
記法を使って指定されたものは、 自動的に文字の意味論を持ちます。
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 low-level calls utf8::upgrade($bytestring)
and utf8::downgrade($utf8string[, FAIL_OK])
are the answers.
ときとして("When Unicode Does Not Happen" を参照)、バイト列を UTF-8 であるように強制したりその逆を行う場合があるかもしれません。 低レベルの呼び出し utf8::upgrade($bytestring)
と utf8::downgrade($utf8string[, FAIL_OK])
が その回答です。
Note that utf8::downgrade()
can fail if the string contains characters that don't fit into a byte.
utf8::downgrade()
は、バイトに収まらない文字を含む文字列の場合は 失敗することがあることに注意してください。
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。
XS で Unicode を使う¶
If you want to handle Perl Unicode in XS extensions, you may find the following C APIs useful. See also "Unicode Support" in perlguts for an explanation about Unicode at the XS level, and perlapi for the API details.
Perl の Unicode を XS 拡張で取り扱いたいと思うのなら、以下に挙げる API 群が便利かも知れません。 XS レベルでの Unicode に関しての説明は "Unicode Support" in perlguts を、 API の詳細については perlapi を参照してください。
-
DO_UTF8(sv)
returns true if theUTF8
flag is on and the bytes pragma is not in effect.SvUTF8(sv)
returns true if theUTF8
flag is on; thebytes
pragma is ignored. TheUTF8
flag being on does not mean that there are any characters of code points greater than 255 (or 127) in the scalar or that there are even any characters in the scalar. What theUTF8
flag means is that the sequence of octets in the representation of the scalar is the sequence of UTF-8 encoded code points of the characters of a string. TheUTF8
flag being off means that each octet in this representation encodes a single character with code point 0..255 within the string. Perl's Unicode model is not to use UTF-8 until it is absolutely necessary.DO_UTF8(sv)
はUTF8
フラグがオンでバイトプラグマが効果を もっていないときに真を返します。SvUTF8(sv)
はUTF8
がオンのとき、bytes
プラグマの状態には 関係なく真を返します。UTF8
フラグはスカラの中で 255(もしくは127)を超える符号位置の文字が あるということを 意味しません。UTF8
フラグの意味するところは、スカラ中のそのオクテットの並びが 文字列としてUTF-8でエンコードされた符号位置の並びだということです。UTF8
フラグがオフであるということは文字列の中のエンコードされた 文字が 0..255 の範囲でエンコードされたオクテットであることを意味します。 Perl の Unicode モデルは本当に必要となるまで UTF-8 を使用しません。 -
uvchr_to_utf8(buf, chr)
writes a Unicode character code point into a buffer encoding the code point as UTF-8, and returns a pointer pointing after the UTF-8 bytes. It works appropriately on EBCDIC machines.uvchr_to_utf8(buf, chr)
は Unicode の文字符号位置を UTF-8 で エンコードされたの符号位置としてバッファに書き込みます; そして、その UTF-8 バイトの後を指し示すポインタを返します。 これは EBCDIC のマシンでも適切に動作します。 -
utf8_to_uvchr_buf(buf, bufend, lenp)
reads UTF-8 encoded bytes from a buffer and returns the Unicode character code point and, optionally, the length of the UTF-8 byte sequence. It works appropriately on EBCDIC machines.utf8_to_uvchr_buf(buf, bufend, lenp)
はバッファから UTF-8 エンコードされたバイトを読み出し、 Unicode の文字符号位置と、オプションでその UTF-8 バイトシーケンスの長さを返します。 これは EBCDIC のマシンでも適切に動作します。 -
utf8_length(start, end)
returns the length of the UTF-8 encoded buffer in characters.sv_len_utf8(sv)
returns the length of the UTF-8 encoded scalar.utf8_length(start, end)
は UTF-8 エンコードされたバッファの長さを 文字で返します。sv_len_utf8(sv)
は UTF-8 エンコードされたスカラの長さを返します。 -
sv_utf8_upgrade(sv)
converts the string of the scalar to its UTF-8 encoded form.sv_utf8_downgrade(sv)
does the opposite, if possible.sv_utf8_encode(sv)
is like sv_utf8_upgrade except that it does not set theUTF8
flag.sv_utf8_decode()
does the opposite ofsv_utf8_encode()
. Note that none of these are to be used as general-purpose encoding or decoding interfaces:use Encode
for that.sv_utf8_upgrade()
is affected by the encoding pragma butsv_utf8_downgrade()
is not (since the encoding pragma is designed to be a one-way street).sv_utf8_upgrade(sv)
はスカラの文字列をその UTF-8 エンコードされた 形式に変換します。sv_utf8_downgrade(sv)
は(可能であれば)その反対の動作をします。sv_utf8_encode(sv)
はsv_utf8_upgrade
に似ていますが、UTF8
フラグをセットしない点が異なります。sv_utf8_decode()
はsv_utf8_encode()
の逆を行います。 これらの欠如が一般的な目的のエンコーディングやデコーディングの インターフェースとして使われていることに注意してください:use Encode
がそのためにあります。sv_utf8_upgrade()
はエンコーディングプラグマに影響を受けますが、sv_utf8_downgrade()
はそうではありません(なぜならエンコーディング プラグマは一方通行にデザインされているからです)。 -
is_utf8_string(buf, len)
returns true iflen
bytes of the buffer are valid UTF-8.is_utf8_string(buf, len)
はバッファのlen
バイトが正しい UTF-8 文字であるときに真を返します。 -
is_utf8_char_buf(buf, buf_end)
returns true if the pointer points to a valid UTF-8 character.is_utf8_char_buf(buf, buf_end)
はポインタが正しい UTF-8 文字を 指し示しているときに真を返します。 -
UTF8SKIP(buf)
will return the number of bytes in the UTF-8 encoded character in the buffer.UNISKIP(chr)
will return the number of bytes required to UTF-8-encode the Unicode character code point.UTF8SKIP()
is useful for example for iterating over the characters of a UTF-8 encoded buffer;UNISKIP()
is useful, for example, in computing the size required for a UTF-8 encoded buffer.UTF8SKIP(buf)
はバッファの中にある UTF-8 エンコードされた文字の バイト数を返します。UNISKIP(chr)
は UTF-8 エンコードする Unicode 文字の符号位置が要求する バイト数を返します。UTF8SKIP()
は UTF-8 エンコードされたバッファの文字に対して繰り返しを 行うような例に便利です;UNISKIP()
はたとえば、UTF-8 エンコードされた バッファの要求する大きさを計算するのに便利です。 -
utf8_distance(a, b)
will tell the distance in characters between the two pointers pointing to the same UTF-8 encoded buffer.utf8_distance(a, b)
は同じ UTF-8 エンコードされたバッファをさす 二つのポインタの間の文字単位の距離を返します。 -
utf8_hop(s, off)
will return a pointer to a UTF-8 encoded buffer that isoff
(positive or negative) Unicode characters displaced from the UTF-8 buffers
. Be careful not to overstep the buffer:utf8_hop()
will merrily run off the end or the beginning of the buffer if told to do so.utf8_hop(s, off)
は、UTF-8 バッファs
から Unicode でoff
文字分 (正数でも負数でも) 移動した UTF-8 エンコーディングバッファへの ポインタを返します。 バッファを超えないように注意してください:utf8_hop()
は、そう 指示されれば何も気にせずにバッファの先頭や末尾を踏み越えます。 -
pv_uni_display(dsv, spv, len, pvlim, flags)
andsv_uni_display(dsv, ssv, pvlim, flags)
are useful for debugging the output of Unicode strings and scalars. By default they are useful only for debugging--they display all characters as hexadecimal code points--but with the flagsUNI_DISPLAY_ISPRINT
,UNI_DISPLAY_BACKSLASH
, andUNI_DISPLAY_QQ
you can make the output more readable.pv_uni_display(dsv, spv, len, pvlim, flags)
とsv_uni_display(dsv, ssv, pvlim, flags)
は Unicode の文字列やスカラの 出力をデバッグするのに便利です。 デフォルトではデバッグのみに便利です -- すべての 文字を 16 進の符号位置として表示します -- しかしUNI_DISPLAY_ISPRINT
,UNI_DISPLAY_BACKSLASH
,UNI_DISPLAY_QQ
というフラグを 与えることによって、出力を読みやすくできます。 -
foldEQ_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2)
can be used to compare two strings case-insensitively in Unicode. For case-sensitive comparisons you can just usememEQ()
andmemNE()
as usual, except if one string is in utf8 and the other isn't.foldEQ_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2)
は Unicode に おいて大小文字を無視した文字列比較に使うことができます。 大小文字を意識した比較には、 片方の文字列が UTF8 でもう片方がそうではない場合を除いて、 通常どおりmemEQ()
やmemNE()
を使うことができます。
For more information, see perlapi, and utf8.c and utf8.h in the Perl source code distribution.
もっと詳しい情報は、perlapi と、Perl のソースコード配布の utf8.c と utf8.h 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 you can change to use any earlier one.
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、 より古いものに変更することができます。
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)。
バグ¶
ロケールとの相互作用¶
"Unicode and UTF-8" in perllocale を参照してください。
Latin-1 Supplement の範囲の文字の問題¶
"The "Unicode Bug"" を参照してください。
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 $what;
Encode::decode_utf8(Foo::Bar::escape_html(
Encode::encode_utf8($what)));
}
Sometimes, when the extension does not convert data but just stores and retrieves them, you will be 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 will hopefully make the slowness somewhat less spectacular, at least for some operations. In general, operations with UTF-8 encoded strings are still slower. As an example, the Unicode properties (character classes) like \p{Nd}
are known to be quite a bit slower (5-20 times) than their simpler counterparts like \d
(then again, there are hundreds of Unicode characters matching Nd
compared with the 10 ASCII characters matching d
).
Perl 5.8.0 ではこの遅さはしばしば目立つものでした; Perl 5.8.1 では 少なくとも一部の操作については、遅さを改善することを期待する キャッシングスキーム(caching scheme)が導入されました。 一般的には、UTF-8 エンコードされた文字列に対する操作はまだ遅いものです。 たとえば、\p{Nd}
のような Unicode の特性(文字クラス)は対応する \d
のような単純なものよりも目立って遅い(5 倍から10 倍)ことが 知られています(繰り返しますが、d
は 10 の ASCII 文字に対して マッチするのに対して Nd
は数百の Unicode 文字にマッチします)。
EBCDIC プラットフォームでの問題¶
There are several known problems with Perl on EBCDIC platforms. If you want to use Perl there, send email to perlbug@perl.org.
EBCDIC プラットフォームの Perl にはいくつかの既知の問題があります。 そのような環境で Perl を使いたいなら、perlbug@perl.org にメールを 送ってください。
In earlier versions, when byte and character data were concatenated, the new string was sometimes created by decoding the byte strings as ISO 8859-1 (Latin-1), even if the old Unicode string used EBCDIC.
以前のバージョンでは、バイトデータと文字データを連結すると、 古い Unicode 文字列が EBCDIC を使っていたとしても、新しい文字列は バイト文字列を ISO 8859-1 (Latin-1) としてデコードして 作成されることがありました。
If you find any of these, please report them as bugs.
これらのどれかを発見したら、どうかバグとして報告してください。
perl 5.6.X からコードを移植する¶
Perl 5.8 has a different Unicode model from 5.6. In 5.6 the programmer was required to use the utf8
pragma to declare that a given scope expected to deal with Unicode data and had to make sure that only Unicode data were reaching that scope. If you have code that is working with 5.6, you will need some of the following adjustments to your code. The examples are written such that the code will continue to work under 5.6, so you should be safe to try them out.
Perl 5.8 は 5.6 とは異なる Unicode モデルを持っています。 5.6 ではプログラマは、ある与えられたスコープが Unicode データを 取り扱うのと Unicode データだけがそのスコープにあることを宣言するのに utf8
プラグマの使用を要求されていました。 5.6 で動いていたプログラムを持っているのなら、以下に挙げる微調整を施す 必要があるでしょう。 例は 5.6 でも動くように書かれているので、安心して試すことができます。
-
A filehandle that should read or write UTF-8
UTF-8 で読み書きすべきファイルハンドル
if ($] > 5.008) { binmode $fh, ":encoding(utf8)"; }
-
A scalar that is going to be passed to some extension
何らかのエクステンションに渡そうとするスカラ
Be it
Compress::Zlib
,Apache::Request
or any extension that has no mention of Unicode in the manpage, you need to make sure that the UTF8 flag is stripped off. Note that at the time of this writing (January 2012) the mentioned modules are not UTF-8-aware. Please check the documentation to verify if this is still true.Compress::Zlib
,Apache::Request
などの、マニュアルページに Unicode に 関する記載がない何らかのエクステンションで、確実に UTF8 フラグが オフにする必要があります。 これを書いている時点(2012 年 1 月)では、上記のモジュールは UTF-8 対応でないことに注意してください。 これがまだ真であるのなら、ドキュメントをチェックして確かめてください。if ($] > 5.008) { require Encode; $val = Encode::encode_utf8($val); # make octets }
-
A scalar we got back from an extension
エクステンションから返ってきたスカラ
If you believe the scalar comes back as UTF-8, you will most likely want the UTF8 flag restored:
そのスカラが UTF-8 として返ってきたものだと信じているのなら、 UTF-8 フラグをリストアしたいと考えるでしょう:
if ($] > 5.008) { require Encode; $val = Encode::decode_utf8($val); }
-
Same thing, if you are really sure it is UTF-8
同様に、UTF-8 だと確信しているのなら
if ($] > 5.008) { require Encode; Encode::_utf8_on($val); }
-
A wrapper for DBI
fetchrow_array
andfetchrow_hashref
DBI の
fetchrow_array
とfetchrow_hashref
へのラッパWhen the database contains only UTF-8, a wrapper function or method is a convenient way to replace all your
fetchrow_array
andfetchrow_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_array
やfetchrow_hashref
の 呼び出しを置き換えるのに便利な方法でしょう。 ラッパ関数はまた、あなたの使っているデータベースドライバが 将来拡張されたときに適用しやすくするでしょう。 このドキュメントを書いている時点(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 $] > 5.008;
SEE ALSO¶
perlunitut, perluniintro, perluniprops, Encode, open, utf8, bytes, perlretut, "${^UNICODE}" in perlvar http://www.unicode.org/reports/tr44).