名前¶

perlunicode - Perl における Unicode サポート

説明¶

重要な警告¶

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。

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

Input and Output Layers

(入出力層)

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

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

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

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

Regular Expressions

(正規表現)

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

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

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

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

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

BOM-marked scripts and UTF-16 scripts autodetected

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

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

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

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

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

See "Byte and Character Semantics" for more details.

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

バイトと文字のセマンティクス¶

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

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

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

バイトセマンティクスでは、use locale が有効の場合、Perl は 現在のロケールに関連づけられたセマンティクスを使います。 use locale がなく、use feature 'unicode_strings' もない場合、 Perl は現在のところ US-ASCII (または Unicode の用語では Basic Latin) バイト セマンティクスを使います; つまり番号 128 - 255 の範囲の文字は、 その番号以外では未定義です。 つまり、大文字小文字はなく、[:alpha:] 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。)

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。

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

use feature 'unicode_strings' プラグマは、プラットフォームに関わらず常に 特定のレキシカルスコープで Unicode セマンティクスを強制することを 意図しています。 リリース 5.12 では、これは部分的に実装されていて、大文字小文字変更にのみ 適用されます。 後述する "The "Unicode Bug"" を参照してください。

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。

明示的に指定されない限り、Perl の演算子は Unicode データに対しては 文字セマンティクスを用い、非 Unicode データに対しては バイトセマンティクスを用います。 文字セマンティクスの使用の決定はトランスペアレントに行われます。 もし入力データが Unicode ソースから来たもの -- たとえば、 文字エンコーディング層がファイルハンドルに附加されているか リテラルの Unicode 文字列定数がプログラムの中にある -- のであれば 文字セマンティクスが適用されます。 そうでなければ、バイトセマンティクスが有効になります。 bytes プラグマは Unicode データに対してバイトセマンティクスを 強制するときに使って、use feature 'unicode_strings' プラグマを バイトデータで Unicode セマンティクスを強制するために使えます (しかし 5.12 ではこれは完全には実装されていません)。

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。

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¶

文字セマンティクスは以下の効果を持っています:

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

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

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

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

  Unicode characters can also be added to a string by using the \N{U+...} notation. The Unicode code for the desired character, in hexadecimal, should be placed in the braces, after the U. 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 characters 0x100 and above. For characters below 0x100 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.

  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。

  Additionally, if you

  これに加えて、

     use charnames ':full';

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

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

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

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

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

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

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

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

• Named Unicode properties, scripts, and block ranges may be used like character classes via the \p{} "matches property" construct and the \P{} negation, "doesn't match property". 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 accented G, may in fact be composed of a sequence of characters, in this case a G 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 the tr///CU functionality has been removed. For similar functionality see pack('U0', ...) and pack('C0', ...).

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

• Case translation operators use the Unicode case translation tables when character input is provided. Note that uc(), or \U in interpolated strings, translates to uppercase, while ucfirst, or \u in interpolated strings, translates to titlecase in languages that make the distinction (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(), and length(). An operator that specifically does not switch is vec(). Operators that really don't care include operators that treat strings as a bucket of bits such as sort(), and operators dealing with filenames.

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

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

  pack()/unpack() の文字 C 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 a W specifier that is the equivalent of chr/ord and properly handles character values even if they are above 255.

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

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

  chr() 関数と ord() 関数は pack("W") 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。

• You can define your own mappings to be used in lc(), lcfirst(), uc(), and ucfirst() (or their string-inlined versions). See "User-Defined Case Mappings" for more details.

  lc(), lcfirst(), uc(), ucfirst() (およびこれらの 文字列インライン版) で使える独自のマッピングを定義できます。 更なる詳細については "User-Defined Case Mappings" を参照してください。

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

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

Unicode 文字特性¶

ほとんどの Unicode 文字特性は正規表現を使ってアクセス可能です。 それらは \p{} "matches property" 構造やその否定形の \P{} "doesn't match property" を使った文字クラスで使うことができます。

たとえば、\p{Uppercase} は Unicode の "Uppercase" 特性を持つ任意の 文字にマッチし、\p{L} は一般カテゴリ "L" (letter) 特性を持つ任意の 文字にマッチします。 ブラケットは一文字の特性では省略することができるので、\p{L} は \pL と等価です。

より正式には、\p{Uppercase} は Unicode の Uppercase 特性値 が True である 任意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。

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 ("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) を指定する必要があります。 これは、前述の例のように、二つの要素トを等号 (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。

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。

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意味が理解しやすいものです。 したがって、前述の "L"および "Letter" は同等であり、 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。

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、ほとんどの場合、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ス(非単語文字に隣接するものを除く)とハイフン、 および非内部下線を考慮します。

\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。

General_Category¶

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。

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。

以下は、Unicode の一般カテゴリ特性(General Category properties) 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   (not usable)
    Co          Private_Use
    Cn          Unassigned

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& は特別なケースで、これは Ll, Lu, Lt の別名です。

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

Bidirectional Character Types¶

(双方向文字型)

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

    Property    Meaning

    L           Left-to-Right
    LRE         Left-to-Right Embedding
    LRO         Left-to-Right Override
    R           Right-to-Left
    AL          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

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。

Scripts¶

(用字)

世界の言語は様々な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。

Unicode Script特性は、指定された文字の中にある用字を示し、 \p{Script=Hebrew} (短縮: \p{sc=hebr}) のような複合形式で マッチングさせることができます。 Perlは、すべての用字名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。

用字とその省略形の完全な一覧は perluniprops にあります。

Use of "Is" Prefix¶

("Is" 接頭辞の使用)

(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)

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、 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、数字は多くの用字を越えて共有されているので、 (Latin 用字は)数字を含みません。 数字と、句読点のような同様のグループは Common と呼ばれる用字にあります。 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 Inherited と 呼ばれる用字もあります。

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。

用字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; ブロック特性は Unicode の基本的な部分で動作させるのに有用です。

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:

1. 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?

2. It is unstable. A new version of Unicode may pre-empt 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。

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。

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)

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 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。 これらの多くは 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。

この節では、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 (これらの機能については、 "/www.unicode.org/reports/tr44" in Unicode Standard http:を参照してください)。

\p{All}

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

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{All} の同義語です。

\p{Assigned}

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

これは任意の割り当てられた符号位置にマッチングします; つまり、一般カテゴリが 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 and/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 they can be combined variously 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 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そ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 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 a number of 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 first the character "LATIN CAPITAL LETTER E", then 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" と文字 "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 the 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 kind of 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。

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

Perl は便利なように Non_Canonical 型を追加しています; これは任意の互換分解を意味します。

\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].

これは \s と同じで、ASCII に制限されます; つまり [ \f\n\r\t] 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{PosixAlnum}

This matches any alphanumeric character in the ASCII range, namely [A-Za-z0-9].

これは ASCII の範囲の任意の英数字にマッチングします; つまり [A-Za-z0-9] です。

\p{PosixAlpha}

This matches any alphabetic character in the ASCII range, namely [A-Za-z].

これは ASCII の範囲の任意の英字にマッチングします; つまり [A-Za-z] です。

\p{PosixBlank}

This matches any blank character in the ASCII range, namely [ \t].

これは ASCII の範囲の任意の空白文字にマッチングします; つまり [ \t] です。

\p{PosixCntrl}

This matches any control character in the ASCII range, namely [\x00-\x1F\x7F]

これは ASCII の範囲の任意の制御文字にマッチングします; つまり [\x00-\x1F\x7F] です。

\p{PosixDigit}

This matches any digit character in the ASCII range, namely [0-9].

これは ASCII の範囲の任意の数字にマッチングします; つまり [0-9] です。

\p{PosixGraph}

This matches any graphical character in the ASCII range, namely [\x21-\x7E].

これは ASCII の範囲の任意の図形文字にマッチングします; つまり [\x21-\x7E] です。

\p{PosixLower}

This matches any lowercase character in the ASCII range, namely [a-z].

これは ASCII の範囲の任意の小文字にマッチングします; つまり [a-z] です。

\p{PosixPrint}

This matches any printable character in the ASCII range, namely [\x20-\x7E]. These are the graphical characters plus SPACE.

これは ASCII の範囲の任意の表示文字にマッチングします; つまり [\x20-\x7E] です。 これは図形文字に SPACE を加えたものです。

\p{PosixPunct}

This matches any punctuation character in the ASCII range, namely [\x21-\x2F\x3A-\x40\x5B-\x60\x7B-\x7E]. These are the graphical characters that aren't word characters. Note that the Posix standard includes in its definition of punctuation, those characters that Unicode calls "symbols."

これは ASCII の範囲の任意の句読点文字にマッチングします; つまり [\x21-\x2F\x3A-\x40\x5B-\x60\x7B-\x7E] です。 これらは単語文字でない図形文字です。 Posix 標準は句読点の定義を含んでいて、Unicode はこれらの文字を 「シンボル」と呼んでいることに注意してください。

\p{PosixSpace}

This matches any space character in the ASCII range, namely [ \f\n\r\t\x0B] (the last being a vertical tab).

これは ASCII の範囲の任意の空白文字にマッチングします; つまり [ \f\n\r\t\x0B] です (最後のものは垂直タブです)。

\p{PosixUpper}

This matches any uppercase character in the ASCII range, namely [A-Z].

これは ASCII の範囲の任意の大文字にマッチングします; つまり [A-Z] です。

\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 or 4.0; or the "*" can also be Unassigned. This property will match the code points whose final disposition has been settled as of the Unicode release given by the version number; \p{Present_In: Unassigned} will match those code points whose meaning has yet to be assigned.

前述の "*" は、1.1 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 is 1.1, so this property is true for all valid "*" versions. On the other hand, U+1EFF was not assigned until version 5.1 when it became "LATIN SMALL LETTER Y WITH LOOP", so the only "*" that would match it are 5.1, 5.2, and later.

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

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

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

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

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

Another confusion with both these properties is that the definition is not that the code point has been assigned, but that the meaning of the code point has been determined. This is because 66 code points will always be unassigned, and, so the Age for them is the Unicode version the decision to make them so was made in. 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 and \p{Present_In: 3.1} and up matches as well.

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{\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 to be 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{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 beyond ASCII.

これは \w と同じで、ASCII 範囲外を含みます。

ユーザ定義文字特性¶

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。 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}+/) { ... }

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。

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

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

  含まれる Unicode 符号位置を示す 1 つの 16 進数。

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

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

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

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

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

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

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

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

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

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

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
    }

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。

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
    }

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
    }

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
    }

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

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

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

ユーザ定義の大文字・小文字の対応関係¶

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

サブルーチンから返される文字列は二つのタブで区切られた二つの 16 進数を 必要とします: 二つの数値はそれぞれ、ソースの符号位置と デスティネーションの符号位置です。 例を挙げましょう:

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

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

(真剣なハッカー専用) 上述したことは、完全なマッピングを提供する必要があるということです; 一部の文字を上書きして、残りを変更せずに残しておくことは出来ません。 $Config{privlib}/unicore/To/ というディレクトリに全てのマッピングが あります。 マッピングデータはヒアドキュメントとして返され、utf8::ToSpecFoo は $Config{privlib}/unicore/SpecialCasing.txt から派生した特殊な 例外マッピングです。 そのディレクトリで見つけることのできる "Digit" と "Fold" のマッピングは ユーザーがダイレクトにアクセスできず、Unicode::UCD モジュールを使うか 大小文字を無視してマッピングします("Fold" マッピングが使われているとき)。

対応関係は、例えば utf8::upgrade() を使って、スカラが Unicode 文字を 保持しているとしてマークされているときにのみ効果があります。 古いバイト形式の文字列には影響を及ぼしません。

マッピングは定義したパッケージに対して有効です。

入出力のための文字エンコーディング¶

Encode を参照してください。

Unicode 正規表現対応レベル¶

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

• Level 1 - Basic Unicode Support

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

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

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

      [{Greek}-[{UNASSIGNED}]]

  in Perl can be written as:

  以下のように Perl で記述できます:

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

  But in this particular example, you probably really want

  しかし、この特定の例では、あなたが実際に望んでいたのは次のものでしょう

      \p{GreekAndCoptic}

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

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

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

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

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

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

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

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

  [d] U+FFFF will currently generate a warning message if 'utf8' warnings are enabled

  [d] 'utf8' 警告が有効なら、現在のところ U+FFFF は警告を出力します

• 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                 - MISSING       [16]
          RL2.6   Wildcard Properties             - MISSING
  
          [10] see UAX#15 "Unicode Normalization Forms"
          [11] have Unicode::Normalize but not integrated to regexes
          [12] have \X but we don't have a "Grapheme Cluster Mode"
          [14] see UAX#29, Word Boundaries
          [15] see UAX#21 "Case Mappings"
          [16] have \N{...} but neither compute names of CJK Ideographs
               and Hangul Syllables nor use a loose match [e]

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

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

• Level 3 - Tailored Support

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

Unicode のエンコーディング¶

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

• UTF-8

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

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

  The following table is from Unicode 3.2.

  以下のテーブルは Unicode 3.2 のものです。

   Code Points            1st Byte  2nd Byte  3rd Byte  4th Byte
  
     U+0000..U+007F       00..7F
     U+0080..U+07FF     * C2..DF    80..BF
     U+0800..U+0FFF       E0      * A0..BF    80..BF
     U+1000..U+CFFF       E1..EC    80..BF    80..BF
     U+D000..U+D7FF       ED        80..9F    80..BF
     U+D800..U+DFFF       +++++++ 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 before several of the byte entries above marked by '*'. 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。

• UTF-EBCDIC

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

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

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

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

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

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

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

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

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

  サロゲートは Unicode の符号位置の U+10000..U+10FFFF の範囲を 16 ビットユニットのペアで表現する集合です。 high 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);

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

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

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

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

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

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

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

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

  The way this trick works is that the character with the code point U+FFFE is guaranteed not to be a valid Unicode character, so the sequence of bytes 0xFF 0xFE is unambiguously "BOM, represented in little-endian format" and cannot be U+FFFE, represented in big-endian format". (Actually, U+FFFE is legal for use by your program, even for input/output, but better not use it if you need a BOM. But it is "illegal for interchange", so that an unsuspecting program won't get confused.)

  このトリックがうまくいくのは符号位置 U+FFFE の文字は正当な Unicode 文字でないということによって、0xFF 0xFE という並びは紛れなく "リトルエンディアンフォーマットの BOM" であって "ビッグエンディアンの U+FFFE" とはならないのです。 (実際のところ、U+FFFE は、あなたのプログラムで使う分には、たとえ 入出力のためでも、合法です; しかし、BOM が必要な場合には使わないでください。 しかしこれは "illegal for interchange" なので、疑うことを知らない プログラムを混乱させてはいけません。)

• UTF-32, UTF-32BE, UTF-32LE

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

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

• UCS-2, UCS-4

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

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

• UTF-7

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

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

Unicode のセキュリティへの影響¶

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

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

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

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

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

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

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

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

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

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

EBCDIC 上の Perl での Unicode¶

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¶

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

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

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

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

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

Unicode ではない場合¶

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

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(5.8.3) では単純に引数と戻り値の両方が バイト文字列か、encoding プラグマが使われていれば UTF-8 文字列で あると仮定しています。

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

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

• %ENV

• glob (aka the <*>)

  glob (または <*>)

• open, opendir, sysopen

• qx (aka the backtick operator), system

  qx (または逆クォート演算子), system

• readdir, readlink

「Unicode バグ」¶

「Unicode バグ」("Unicode bug")という用語は、番号が Latin-1 Supplement ブロック、つまり 128 から 255 にある Unicode 文字の 非一貫性に対して使われます。 ロケール指定がない場合、その他の文字や符号位置とは異なり、これらの文字は バイトセマンティクスと文字セマンティクスでとても異なったセマンティクスです。

文字セマンティクスでは Unicode 符号位置として解釈され、Latin-1 (ISO-8859-1) と同じセマンティクスを持ちます。

バイトセマンティクスでは、未定義文字として扱われ、保持している セマンティクスはその番号だけで、様々な文字クラスのメンバにはならないことを 意味します。 例えばどれも \w にはマッチングしませんが、全て \W にマッチングします。 (EBCDIC プラットフォームでは、振る舞いはこれとは異なり、基礎となる C 言語ライブラリ関数に依存します。)

この振る舞いは以下のような領域で影響があることが分かっています:

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

  スカラの大文字小文字を変える; つまり、uc(), ucfirst(), lc(), lcfirst() を使ったり、正規表現置換の中で \L, \U, \u, \l を 使う。

• Using caseless (/i) regular expression matching

  大文字小文字を無視した (/i) 正規表現マッチングを使う

• Matching a number of properties in regular expressions, such as \w

  正規表現中に \w のような、多くの特性を使う

• User-defined case change mappings. You can create a ToUpper() function, for example, which overrides Perl's built-in case mappings. The scalar must be encoded in utf8 for your function to actually be invoked.

  ユーザー定義の大文字小文字を変えるマッピング。 例えば、Perl の組み込み大文字小文字マッピングを上書きする ToUpper() 関数を作れます。 スカラは実際に起動される関数のために utf8 に エンコードされていなければなりません。

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'
     $s1 = "\xC2";
     $s2 = "\x{2660}";
     for ($s1, $s2, $s1.$s2) {
         print /\w/ || 0;
     }
 '
 0
 0
 1

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?

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。

これを修正する作業が行われていますが、5.12 リリースに間に合うように 完了したものはその一部だけです。 完了したのは、大文字小文字変換の重要な部分です。 懸念があり、いくつかの証拠がありますが、 古いコードが既存の振る舞いに依存しているかもしれないという 懸念およびいくつかの証拠により、 例え新しい構文が関与していなくても、 新しい振る舞いは feature プラグマの unicode_strings 機能によって 明示的に有効にされている必要があります。

このプラグマがさまざまなケース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。 プラグマは 5.12 リリースでは大文字小文字操作にしか影響しませんが、 後のリリースではすべての問題のある振る舞いに影響することが計画されています: これらすべてを使わずに一つだけ使うことはできません。

今のところの回避方法は 常に utf8::upgrade($string) を呼び出すか標準モジュール 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)¶

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。

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。

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¶

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

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

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

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

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

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

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

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

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

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

  sv_utf8_upgrade(sv) はスカラの文字列をその UTF-8 エンコードされた 形式に変換します。 sv_utf8_downgrade(sv) は(可能であれば)その反対の動作をします。 sv_utf8_encode(sv) 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_char(s) returns true if the pointer points to a valid UTF-8 character.

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

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

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

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

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

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

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

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

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

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

  pv_uni_display(dsv, spv, len, pvlim, flags) 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。

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

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

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 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。

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、\$Config{privlib}/unicore の既存のファイルを 置き換える必要があります。 (\%Config は、Config モジュールから利用できます。) 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、 それから make を実行してください。

これを別のディレクトリにダウンロードすることもできますが、 ディレクトリ \$Config{privlib} を変更して 新しいディレクトリを示すか、あるいは変更前にそのディレクトリのコピーを 作成して、@INC または -I 実行時ランタイムフラグを使用してバージョン間の 切り替えを行うことができます(しかしキャッシュのために、プロセスの途中では できません); ただし、このすべてはこれらの説明のスコープ外です。

バグ¶

ロケールとの相互作用¶

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

Latin-1 Supplement の範囲の文字の問題¶

"The "Unicode Bug"" を参照してください。

大文字小文字を無視した正規表現マッチングでの問題¶

大文字小文字を無視したマッチングには問題があります; (大かっこで囲まれた) 文字クラスに関するもの、 畳み込まれる文字が複数の文字になるもの (単一の文字 LATIN SMALL LIGATURE FFL が 3 文字の文字列 ffl に大文字小文字を無視してマッチングするようなもの) Latin-1 Supplement にある文字に関するものなどです。

エクステンションとの相互作用¶

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

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。

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。

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)));
    }

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

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

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;
      }
    }

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¶

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。

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

EBCDIC プラットフォームでの問題¶

EBCDIC プラットフォームの Perl には多く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、[email protected] にメールを 送ってください。

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。

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

• A filehandle that should read or write UTF-8

  UTF-8 で読み書きすべきファイルハンドル

    if ($] > 5.007) {
      binmode $fh, ":encoding(utf8)";
    }

• A scalar that is going to be passed to some extension

  何らかのエクステンションに渡そうとするスカラ

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

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

    if ($] > 5.007) {
      require Encode;
      $val = Encode::encode_utf8($val); # make octets
    }

• A scalar we got back from an extension

  エクステンションから返ってきたスカラ

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

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

    if ($] > 5.007) {
      require Encode;
      $val = Encode::decode_utf8($val);
    }

• Same thing, if you are really sure it is UTF-8

  同様に、UTF-8 だと確信しているのなら

    if ($] > 5.007) {
      require Encode;
      Encode::_utf8_on($val);
    }

• A wrapper for fetchrow_array and fetchrow_hashref

  fetchrow_array と fetchrow_hashref へのラッパ

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

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

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

• A large scalar that you know can only contain ASCII

  ASCII だけが含まれていると分かっている大きなスカラ

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

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

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

SEE ALSO¶

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

POD ERRORS¶

Hey! The above document had some coding errors, which are explained below:

Around line 1747:

Unterminated C<...> sequence