名前¶

perlunicode - Perl における Unicode サポート

説明¶

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

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

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

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

重要な警告¶

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

Unicode 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。

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 use 5.012 or higher.) Failure to do this can trigger unexpected surprises. See "The "Unicode Bug"" below.

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

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

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

Input and Output Layers

(入出力層)

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

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

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

(非 ASCII、非 UTF-8 Perl スクリプトは UTF-8 に変換するべきです)

See encoding.

encoding を参照してください。

use utf8 still needed to enable UTF-8 in scripts

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

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

Perl スクリプト自身が UTF-8 で エンコードされている場合、Perl スクリプトそれ自身の 中を(文字列や正規表現リテラル、あるいは変数名で) 認識可能に するために、use utf8 プラグマを明示的に含めなければなりません。 これは明示的に use utf8 が必要な唯一の場合です。 (utf8 を参照してください。)

BOM-marked scripts and UTF-16 scripts autodetected

(BOM 付きのスクリプトと UTF-16 スクリプトは自動認識されます)

However, if a Perl script begins 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 the appropriate Unicode encoding. (BOM-less UTF-8 cannot be effectively recognized or differentiated from ISO 8859-1 or other eight-bit encodings.)

しかし、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 適切な Unicode エンコーディング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。)

バイトと文字のセマンティクス¶

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

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

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

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

記しておくべき様々なことがあります:

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

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

  The exceptions are:

  例外は:

  • the bit-oriented vec

    ビット単位の vec

     

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

    バイト単位の pack/unpack "C" フォーマット

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

    しかし、W 指示子は U 指示子と同様、文字全体を操作します。

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

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

    Operators dealing with filenames are examples.

    例としてはファイル名を扱う演算子です。

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

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

    Likely, you should use this only for debugging anyway.

    おそらく、これはデバッグのためだけに行うべきです。

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

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

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

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

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

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

  chr() 関数と ord() 関数は文字全体に対して働きます。

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

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

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

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

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

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

• The bit string operators, & | ^ ~ and (starting in v5.22) &. |. ^. ~. can operate on characters that don't fit into a byte. However, the current behavior is likely to change. You should not use these operators on strings that are encoded in UTF-8. If you're not sure about the encoding of a string, downgrade it before using any of these operators; you can use utf8::utf8_downgrade().

  ビット文字列演算子 & | ^ ~ および (v5.22 からの) &. |. ^. ~. は 1 バイトに収まらない 文字を操作できます。 しかし、現在の振る舞いは変更される予定です。 UTF-8 でエンコードされた文字列に対してこれらの演算子を 使うべきではありません。 文字列のエンコーディンがはっきりしない場合、 これらの演算子を使う前に降格してください; utf8::utf8_downgrade() が使えます。

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

ASCII 規則対 Unicode 規則¶

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

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

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

• Within the scope of use utf8

  use utf8 のスコープの内側

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

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

• Within the scope of use feature 'unicode_strings'

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

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

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

• Within the scope of use 5.012 or higher

  use 5.012 以上のスコープの内側

  This implicitly turns on use feature 'unicode_strings'.

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

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

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

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

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

• When the string contains a Unicode-only code point

  文字列が Unicode のみの符号位置を含んでいるとき

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

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

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

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

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

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

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

  文字列が Unicode とマークされている外部ソースから来たとき

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

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

• When the string has been upgraded to UTF-8

  (文字列が UTF-8 に昇格したとき)

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

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

• There are additional methods for regular expression patterns

  (正規表現パターンに追加の手法があるとき)

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

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

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

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

Unicode の規則が有効の場合:

• Case translation operators use the Unicode case translation tables.

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

  Note that uc(), or \U in interpolated strings, translates to uppercase, while ucfirst, or \u in interpolated strings, translates to titlecase in languages that make the distinction (which is equivalent to uppercase in languages without the distinction).

  uc() や展開文字列中の \U は大文字に変換し、ucfirst や 展開文字列中の \u はその言語で区別されているときに タイトルケースに変換します (これは、区別がない言語では大文字と等価です)。

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

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

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

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

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

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

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

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

  See "Unicode Character Properties" for more details.

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

  You can define your own character properties and use them in the regular expression with the \p{} or \P{} construct. See "User-Defined Character Properties" for more details.

  独自の文字特性を定義して、\p{} 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。

拡張書記素クラスタ (論理文字)¶

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

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

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

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

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

Unicode 文字特性¶

(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。)

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。

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。

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。

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。

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。

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。

\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。

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。)

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¶

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: \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

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)

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

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)

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。

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。)

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

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

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

このように Script_Extensions は改良された Script で、 Common 用字にある文字はより少なく、それに応じて他の用字の文字は より多くなっています。 これは Unicode バージョン 6.0 からの新しいもので、そのデータは 将来のリリースで整理されて大きく変更される可能性が高いです。 新しいコードはおそらく、単なる Script ではなく Script_Extensions を使うべきです。

(実際、Common を除くと、Inherited 用字は複数の用字で使われている 文字を含みます。 制御文字の用字の値を継承する文字のための修飾文字です。 その一部は多くの用字で使われているので、 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。)

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。

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)

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

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。

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。

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、もはや推奨されない)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。 しかし新しいコードではそうしないでください; コードが新しい リリースで壊れるかもしれないからです; そしてこれは既に起きています: 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。

これまでのところ、In 接頭辞を使用すると、このあいまいさを回避できます。 しかし、Unicode の新しいバージョンでは、名前が In で始まる新しい特性が 追加され続けています。 その一つがいつの日かあなたの使用方法と競合する可能性があります。 これは単に Perl の拡張であるため、Unicode の名前が優先され、 コードが壊れることになります。 また、Unicode では、名前が In で始まる用字を自由に追加できます; これは問題を引き起こすことがあります。

したがって、ブロックを指定するときは、複合形式を使うのが明確で最善です。 そして、これが本当に本当にやりたいことであることを確認してください。 ほとんどの場合、本当に必要なものはそうではなく用字です。

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。

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

\p{All}

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

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

\p{Alnum}

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

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

\p{Any}

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

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

\p{ASCII}

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

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

\p{Assigned}

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

これは任意の割り当てられた符号位置にマッチングします; つまり、 general 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。

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

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

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

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

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

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

\p{Graph}

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

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

\p{HorizSpace}

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

これは \h 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, a vertical tab.

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

Mnemonic: Perl's (original) space

記憶法: Perl の (元々の) スペース

\p{PerlWord}

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

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

Mnemonic: Perl's (original) word.

記憶法: Perl の (元々の) 単語。

\p{Posix...}

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

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

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

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

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

The "*" above stands for some 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 in which the decision to make them so was made. For example, U+FDD0 is to be permanently unassigned to a character, and the decision to do that was made in version 3.1, so \p{Age=3.1} matches this character, as also does \p{Present_In: 3.1} and up.

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

\p{Print}

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

制御文字を除く、任意の図形文字か空白にマッチングします。

\p{SpacePerl}

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

これは \s は同様で、ASCII の範囲外を含みます。

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

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

\p{Title} and \p{Titlecase}

(\p{Title} 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¶

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}+/) { ... }

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。

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。

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。

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、未割り当て文字を 取り除きたいということです:

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

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
    }

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 は定義の最後の行でなければなりません。

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。

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)¶

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¶

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] \N{U+...} and \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 starting in v5.18 "(?[...])" accomplishes this.

  ([5] v5.18 からの実験的機能 "(?[...])" がこれを行います。)

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

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

  • Regular expression look-ahead

    正規表現先読み

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

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

        [{Block=Greek}-[{UNASSIGNED}]]

    in Perl can be written as:

    以下のように Perl で記述できます:

        (?!\p{Unassigned})\p{Block=Greek}
        (?=\p{Assigned})\p{Block=Greek}

    But in this particular example, you probably really want

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

        \p{Greek}

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

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

  • CPAN module Unicode::Regex::Set

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

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

  • "User-Defined Character Properties"

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

    結合のためには "+"、除去(差集合)のためには "-"、 共通集合のためには "&" です

  [6] \b \B

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

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

  For example U+1F88 is equivalent to U+1F00 U+03B9, instead of just U+1F80. This difference matters mainly for certain Greek capital letters with certain modifiers: the Full case-folding decomposes the letter, while the Simple case-folding would map it to a single character.

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

  [8] Perl treats \n as the start- and end-line delimiter. Unicode specifies more characters that should be so-interpreted.

  These are:

  対象は:

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

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

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

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

  また、CRLF の中の行を分割しません (つまり \r 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] But Unicode::LineBreak is available.

  This module supplies line breaking conformant with UAX#14 "Unicode Line Breaking Algorithm".

  このモジュールは UAX#14 "Unicode Line Breaking Algorithm" 準拠の行分割を提供します。

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

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

• UTF-8

  UTF-8 is a variable-length (1 to 4 bytes), byte-order independent encoding. In most of Perl's documentation, including elsewhere in this document, the term "UTF-8" means also "UTF-EBCDIC". But in this section, "UTF-8" refers only to the encoding used on ASCII platforms. It is a superset of 7-bit US-ASCII, so anything encoded in ASCII has the identical representation when encoded in UTF-8.

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

  The following table is from Unicode 3.2.

  以下のテーブルは Unicode 3.2 のものです。

   Code Points            1st Byte  2nd Byte  3rd Byte 4th Byte
  
     U+0000..U+007F       00..7F
     U+0080..U+07FF     * C2..DF    80..BF
     U+0800..U+0FFF       E0      * A0..BF    80..BF
     U+1000..U+CFFF       E1..EC    80..BF    80..BF
     U+D000..U+D7FF       ED        80..9F    80..BF
     U+D800..U+DFFF       +++++ utf16 surrogates, not legal utf8 +++++
     U+E000..U+FFFF       EE..EF    80..BF    80..BF
    U+10000..U+3FFFF      F0      * 90..BF    80..BF    80..BF
    U+40000..U+FFFFF      F1..F3    80..BF    80..BF    80..BF
   U+100000..U+10FFFF     F4        80..8F    80..BF    80..BF

  Note the gaps marked by "*" before several of the byte entries above. These are caused by legal UTF-8 avoiding non-shortest encodings: it is technically possible to UTF-8-encode a single code point in different ways, but that is explicitly forbidden, and the shortest possible encoding should always be used (and that is what Perl does).

  上記で '*' のマークが付いているいくつかのバイトエントリの前の 隙間に注意してください。 これらは、正当な UTF-8 が最短でないエンコードを避けるために あります: 技術的には UTF-8 エンコードは一つの符号位置を複数の方法で 表すことができますが、これは明示的に禁止されていて、可能な限り最短の エンコードが常に使われます(そしてそれが Perl のすることです)。

  Another way to look at it is via bits:

  これを見るもう一つの方法はビット単位で見ることです:

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

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

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

  The original UTF-8 specification allowed up to 6 bytes, to allow encoding of numbers up to 0x7FFF_FFFF. Perl continues to allow those, and has extended that up to 13 bytes to encode code points up to what can fit in a 64-bit word. However, Perl will warn if you output any of these as being non-portable; and under strict UTF-8 input protocols, they are forbidden.

  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。

• UTF-EBCDIC

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

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

  UTF-EBCDIC is used on EBCDIC platforms. The largest Unicode code points take 5 bytes to represent (instead of 4 in UTF-8), and Perl extends it to a maximum of 7 bytes to encode pode points up to what can fit in a 32-bit word (instead of 13 bytes and a 64-bit word in UTF-8).

  UTF-EBCDIC は EBCDIC プラットフォームで使われます。 最大の Unicode 符号位置は表現するのに (UTF-8 の 4 バイトではなく) 5 バイトを使い、Perl はこれを (UTF-8 の場合の 13 バイトと 64 ビットワードではなく) 32 ビットワードに納まるように 符号位置をエンコードするのに最大 7 バイトまで拡張します。

• UTF-16, UTF-16BE, UTF-16LE, Surrogates, and BOM's (Byte Order Marks)

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

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

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

  Like UTF-8, UTF-16 is a variable-width encoding, but where UTF-8 uses 8-bit code units, UTF-16 uses 16-bit code units. All code points occupy either 2 or 4 bytes in UTF-16: code points U+0000..U+FFFF are stored in a single 16-bit unit, and code points U+10000..U+10FFFF in two 16-bit units. The latter case is using surrogates, the first 16-bit unit being the high surrogate, and the second being the low surrogate.

  UTF-8 と同様、UTF-16 は可変長エンコーディングですが、 UTF-8 が 8 ビットの符号ユニットを使っているところ、 UTF-16 は 16 ビットの符号ユニットを使います。 UTF-16 は全ての符号位置が 2 バイトもしくは 4 バイトです: U+0000..U+FFFF の範囲の Unicode の符号位置はひとつの 16 ビット ユニットに収められ、U+10000..U+10FFFF の範囲の符号位置は 2 つの 16 ビットユニットに収められます。 後者をサロゲート(surrogates) と呼びます; 最初の 16 ビットユニットは high surrogate で、二番目は low surrogate となります。

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

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

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

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

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

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

  このトリックがうまくいくのは符号位置 U+FFFE の文字は 入力ストリームには現れないはずであるということによって、 0xFF 0xFE という並びは紛れなく 「リトルエンディアンフォーマットの BOM」であって 「ビッグエンディアンの U+FFFE」 とはならないのです。

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

  サロゲートは、他の符号位置を表すためにペアで使用する以外は、 Unicode では意味を持ちません。 ただし、Perl では、例えば chr(0xD801) と記述することによって、 内部的に個別に表すことができるため、 オープンな交換に妥当な符号位置だけでなく、 すべての符号位置を表すことができます。 Unicode では、"General_Category" 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, except that the units are 32-bit, and therefore the surrogate scheme is not needed. UTF-32 is a fixed-width encoding. The BOM signatures are 0x00 0x00 0xFE 0xFF for BE and 0xFF 0xFE 0x00 0x00 for LE.

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

• UCS-2, UCS-4

  Legacy, fixed-width encodings defined by the ISO 10646 standard. UCS-2 is a 16-bit encoding. Unlike UTF-16, UCS-2 is not extensible beyond U+FFFF, because it does not use surrogates. UCS-4 is a 32-bit encoding, functionally identical to UTF-32 (the difference being that UCS-4 forbids neither surrogates nor code points larger than 0x10_FFFF).

  ISO 10646 標準で定義されている古い固定長のエンコーディングです。 UCS-2 は 16 ビットエンコーディングです。 UTF-16 とは異なり、UCS-2 は U+FFFF を超えた範囲に拡張できません; これはサロゲートを使わないためです。 UCS-4 は 32 ビットエンコーディングで、機能的には UTF-32 と同じです (違いは、UCS-4 はサロゲートや 0x10_FFFF より大きな符号位置を 禁止していることです)。

• UTF-7

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

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

非文字符号位置¶

66 の符号位置は、Unicode では「非文字符号位置」として確保されています。 これらはすべて Unassigned (Cn) "General_Category" を 持ち、 これらに文字が割り当てられることはありません。 それは、U+FDD0 と U+FDEF の間にある 32 の符号位置と、 次の 34 の符号位置です。

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

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

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

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

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

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

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

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

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

Unicode 符号位置を越えたもの¶

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。

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

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。

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。

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

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;

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。)

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

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。

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。

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。

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"

(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。)

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。

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

Unicode のセキュリティへの影響¶

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

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。

すでに述べている通り、Perl は二つの世界のそれぞれに片方の足 (二つのひづめ?) を突っ込んでいます: ASCII と単一バイトロケールの 古い世界と、必要に応じて昇格する Unicode の新しい世界です。 もしあなたの古いコードが明示的に Unicode を使っていないのなら、 Unicode への切り替えが自動的になされることはありません。

EBCDIC 上の Perl での Unicode¶

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

特に ASCII 対 EBCDIC 問題について 議論されている場合でない限り、 EBCDIC プラットフォームでは、 この文書やその他での UTF-8 エンコーディングへの言及は、 UTF-EBCDIC を意味するものとして読むべきです。 "Unicode and UTF" in perlebcdic を参照してください。

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

ロケール¶

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

Unicode ではない場合¶

Perl には入出力を Unicode で行うための幅広い方法があり、 @ARGV 配列のように (時々 UTF-8 として解釈できるような)その他の 「エントリポイント」がいくつかあるにも関わらず、 (何らかのエンコーディングで) Unicode が引数として与えられたり結果として返されたり、あるいは 両方であるべきにも関わらず、そうなっていない場所も未だ多くあります。

以下に挙げるのはそのようなインターフェースです。 また、"The "Unicode Bug"" を参照してください。 これらすべてが現在の Perl(v5.16.0) では単純に引数と戻り値の両方が バイト文字列か、(廃止予定の) encoding プラグマが使われていれば UTF-8 文字列であると仮定しています。

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」¶

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

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

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

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

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

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

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

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

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

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

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

• Using caseless (/i) regular expression matching.

  大文字小文字を無視した (/i) 正規表現マッチングを使う。

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

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

• Matching any of several properties in regular expressions.

  正規表現中にいくつかの特性を使う。

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

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

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

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

• In quotemeta or its inline equivalent \Q.

  quotemeta や、インラインの等価物である \Q の中。

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

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

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

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

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

ときとして("When Unicode Does Not Happen" を参照)、バイト列を UTF-8 であるように強制したりその逆を行う場合があるかもしれません。 標準モジュール Encode や、 低レベルの呼び出し utf8::upgrade($bytestring) と utf8::downgrade($utf8string[, FAIL_OK]) が このために使えます。

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。

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

XS で Unicode を使う¶

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

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

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

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、Perl ソースツリーの lib/unicore の既存のファイルを 置き換える必要があります。 一部の名前を変えるには、そのディレクトリにある README.perl の指示に従って、 perl をビルドしてください (INSTALL 参照)。

perl 5.6.X からコードを移植する¶

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

• A filehandle that should read or write UTF-8

  UTF-8 で読み書きすべきファイルハンドル

    if ($] > 5.008) {
      binmode $fh, ":encoding(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 and fetchrow_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 and fetchrow_hashref calls. A wrapper function will also make it easier to adapt to future enhancements in your database driver. Note that at the time of this writing (January 2012), the DBI has no standardized way to deal with UTF-8 data. Please check the DBI documentation to verify if that is still true.

  データベースが UTF-8 のみから構成されているとき、ラッパ関数や ラッパメソッドはあなたの fetchrow_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;

バグ¶

前述の "The "Unicode Bug"" も参照してください。

エクステンションとの相互作用¶

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。

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

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 状況を改善するキャッシュ機構が導入されました。 一般的には、UTF-8 エンコードされた文字列に対する操作はまだ遅いものです。 たとえば、\p{Nd} のような Unicode の特性(文字クラス)は対応する [0-9] のような単純なものよりも目立って遅い(5 倍から10 倍)ことが 知られています(繰り返しますが、[0-9] は 10 の ASCII 文字に対して マッチするのに対して Nd は数百の Unicode 文字にマッチします)。

SEE ALSO¶

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