doc/pcreunicode.3

   1 .TH PCREUNICODE 3 "27 February 2013" "PCRE 8.33"
   2 .SH NAME
   3 PCRE - Perl-compatible regular expressions
   4 .SH "UTF-8, UTF-16, UTF-32, AND UNICODE PROPERTY SUPPORT"
   5 .rs
   6 .sp
   7 As well as UTF-8 support, PCRE also supports UTF-16 (from release 8.30) and
   8 UTF-32 (from release 8.32), by means of two additional libraries. They can be
   9 built as well as, or instead of, the 8-bit library.
  10 .
  11 .
  12 .SH "UTF-8 SUPPORT"
  13 .rs
  14 .sp
  15 In order process UTF-8 strings, you must build PCRE's 8-bit library with UTF
  16 support, and, in addition, you must call
  17 .\" HREF
  18 \fBpcre_compile()\fP
  19 .\"
  20 with the PCRE_UTF8 option flag, or the pattern must start with the sequence
  21 (*UTF8) or (*UTF). When either of these is the case, both the pattern and any
  22 subject strings that are matched against it are treated as UTF-8 strings
  23 instead of strings of individual 1-byte characters.
  24 .
  25 .
  26 .SH "UTF-16 AND UTF-32 SUPPORT"
  27 .rs
  28 .sp
  29 In order process UTF-16 or UTF-32 strings, you must build PCRE's 16-bit or
  30 32-bit library with UTF support, and, in addition, you must call
  31 .\" HREF
  32 \fBpcre16_compile()\fP
  33 .\"
  34 or
  35 .\" HREF
  36 \fBpcre32_compile()\fP
  37 .\"
  38 with the PCRE_UTF16 or PCRE_UTF32 option flag, as appropriate. Alternatively,
  39 the pattern must start with the sequence (*UTF16), (*UTF32), as appropriate, or
  40 (*UTF), which can be used with either library. When UTF mode is set, both the
  41 pattern and any subject strings that are matched against it are treated as
  42 UTF-16 or UTF-32 strings instead of strings of individual 16-bit or 32-bit
  43 characters.
  44 .
  45 .
  46 .SH "UTF SUPPORT OVERHEAD"
  47 .rs
  48 .sp
  49 If you compile PCRE with UTF support, but do not use it at run time, the
  50 library will be a bit bigger, but the additional run time overhead is limited
  51 to testing the PCRE_UTF[8|16|32] flag occasionally, so should not be very big.
  52 .
  53 .
  54 .SH "UNICODE PROPERTY SUPPORT"
  55 .rs
  56 .sp
  57 If PCRE is built with Unicode character property support (which implies UTF
  58 support), the escape sequences \ep{..}, \eP{..}, and \eX can be used.
  59 The available properties that can be tested are limited to the general
  60 category properties such as Lu for an upper case letter or Nd for a decimal
  61 number, the Unicode script names such as Arabic or Han, and the derived
  62 properties Any and L&. Full lists is given in the
  63 .\" HREF
  64 \fBpcrepattern\fP
  65 .\"
  66 and
  67 .\" HREF
  68 \fBpcresyntax\fP
  69 .\"
  70 documentation. Only the short names for properties are supported. For example,
  71 \ep{L} matches a letter. Its Perl synonym, \ep{Letter}, is not supported.
  72 Furthermore, in Perl, many properties may optionally be prefixed by "Is", for
  73 compatibility with Perl 5.6. PCRE does not support this.
  74 .
  75 .
  76 .\" HTML <a name="utf8strings"></a>
  77 .SS "Validity of UTF-8 strings"
  78 .rs
  79 .sp
  80 When you set the PCRE_UTF8 flag, the byte strings passed as patterns and
  81 subjects are (by default) checked for validity on entry to the relevant
  82 functions. The entire string is checked before any other processing takes
  83 place. From release 7.3 of PCRE, the check is according the rules of RFC 3629,
  84 which are themselves derived from the Unicode specification. Earlier releases
  85 of PCRE followed the rules of RFC 2279, which allows the full range of 31-bit
  86 values (0 to 0x7FFFFFFF). The current check allows only values in the range U+0
  87 to U+10FFFF, excluding the surrogate area. (From release 8.33 the so-called
  88 "non-character" code points are no longer excluded because Unicode corrigendum
  89 #9 makes it clear that they should not be.)
  90 .P
  91 Characters in the "Surrogate Area" of Unicode are reserved for use by UTF-16,
  92 where they are used in pairs to encode codepoints with values greater than
  93 0xFFFF. The code points that are encoded by UTF-16 pairs are available
  94 independently in the UTF-8 and UTF-32 encodings. (In other words, the whole
  95 surrogate thing is a fudge for UTF-16 which unfortunately messes up UTF-8 and
  96 UTF-32.)
  97 .P
  98 If an invalid UTF-8 string is passed to PCRE, an error return is given. At
  99 compile time, the only additional information is the offset to the first byte
 100 of the failing character. The run-time functions \fBpcre_exec()\fP and
 101 \fBpcre_dfa_exec()\fP also pass back this information, as well as a more
 102 detailed reason code if the caller has provided memory in which to do this.
 103 .P
 104 In some situations, you may already know that your strings are valid, and
 105 therefore want to skip these checks in order to improve performance, for
 106 example in the case of a long subject string that is being scanned repeatedly.
 107 If you set the PCRE_NO_UTF8_CHECK flag at compile time or at run time, PCRE
 108 assumes that the pattern or subject it is given (respectively) contains only
 109 valid UTF-8 codes. In this case, it does not diagnose an invalid UTF-8 string.
 110 .P
 111 Note that passing PCRE_NO_UTF8_CHECK to \fBpcre_compile()\fP just disables the
 112 check for the pattern; it does not also apply to subject strings. If you want
 113 to disable the check for a subject string you must pass this option to
 114 \fBpcre_exec()\fP or \fBpcre_dfa_exec()\fP.
 115 .P
 116 If you pass an invalid UTF-8 string when PCRE_NO_UTF8_CHECK is set, the result
 117 is undefined and your program may crash.
 118 .
 119 .
 120 .\" HTML <a name="utf16strings"></a>
 121 .SS "Validity of UTF-16 strings"
 122 .rs
 123 .sp
 124 When you set the PCRE_UTF16 flag, the strings of 16-bit data units that are
 125 passed as patterns and subjects are (by default) checked for validity on entry
 126 to the relevant functions. Values other than those in the surrogate range
 127 U+D800 to U+DFFF are independent code points. Values in the surrogate range
 128 must be used in pairs in the correct manner.
 129 .P
 130 If an invalid UTF-16 string is passed to PCRE, an error return is given. At
 131 compile time, the only additional information is the offset to the first data
 132 unit of the failing character. The run-time functions \fBpcre16_exec()\fP and
 133 \fBpcre16_dfa_exec()\fP also pass back this information, as well as a more
 134 detailed reason code if the caller has provided memory in which to do this.
 135 .P
 136 In some situations, you may already know that your strings are valid, and
 137 therefore want to skip these checks in order to improve performance. If you set
 138 the PCRE_NO_UTF16_CHECK flag at compile time or at run time, PCRE assumes that
 139 the pattern or subject it is given (respectively) contains only valid UTF-16
 140 sequences. In this case, it does not diagnose an invalid UTF-16 string.
 141 However, if an invalid string is passed, the result is undefined.
 142 .
 143 .
 144 .\" HTML <a name="utf32strings"></a>
 145 .SS "Validity of UTF-32 strings"
 146 .rs
 147 .sp
 148 When you set the PCRE_UTF32 flag, the strings of 32-bit data units that are
 149 passed as patterns and subjects are (by default) checked for validity on entry
 150 to the relevant functions.  This check allows only values in the range U+0
 151 to U+10FFFF, excluding the surrogate area U+D800 to U+DFFF.
 152 .P
 153 If an invalid UTF-32 string is passed to PCRE, an error return is given. At
 154 compile time, the only additional information is the offset to the first data
 155 unit of the failing character. The run-time functions \fBpcre32_exec()\fP and
 156 \fBpcre32_dfa_exec()\fP also pass back this information, as well as a more
 157 detailed reason code if the caller has provided memory in which to do this.
 158 .P
 159 In some situations, you may already know that your strings are valid, and
 160 therefore want to skip these checks in order to improve performance. If you set
 161 the PCRE_NO_UTF32_CHECK flag at compile time or at run time, PCRE assumes that
 162 the pattern or subject it is given (respectively) contains only valid UTF-32
 163 sequences. In this case, it does not diagnose an invalid UTF-32 string.
 164 However, if an invalid string is passed, the result is undefined.
 165 .
 166 .
 167 .SS "General comments about UTF modes"
 168 .rs
 169 .sp
 170 1. Codepoints less than 256 can be specified in patterns by either braced or
 171 unbraced hexadecimal escape sequences (for example, \ex{b3} or \exb3). Larger
 172 values have to use braced sequences.
 173 .P
 174 2. Octal numbers up to \e777 are recognized, and in UTF-8 mode they match
 175 two-byte characters for values greater than \e177.
 176 .P
 177 3. Repeat quantifiers apply to complete UTF characters, not to individual
 178 data units, for example: \ex{100}{3}.
 179 .P
 180 4. The dot metacharacter matches one UTF character instead of a single data
 181 unit.
 182 .P
 183 5. The escape sequence \eC can be used to match a single byte in UTF-8 mode, or
 184 a single 16-bit data unit in UTF-16 mode, or a single 32-bit data unit in
 185 UTF-32 mode, but its use can lead to some strange effects because it breaks up
 186 multi-unit characters (see the description of \eC in the
 187 .\" HREF
 188 \fBpcrepattern\fP
 189 .\"
 190 documentation). The use of \eC is not supported in the alternative matching
 191 function \fBpcre[16|32]_dfa_exec()\fP, nor is it supported in UTF mode by the
 192 JIT optimization of \fBpcre[16|32]_exec()\fP. If JIT optimization is requested
 193 for a UTF pattern that contains \eC, it will not succeed, and so the matching
 194 will be carried out by the normal interpretive function.
 195 .P
 196 6. The character escapes \eb, \eB, \ed, \eD, \es, \eS, \ew, and \eW correctly
 197 test characters of any code value, but, by default, the characters that PCRE
 198 recognizes as digits, spaces, or word characters remain the same set as in
 199 non-UTF mode, all with values less than 256. This remains true even when PCRE
 200 is built to include Unicode property support, because to do otherwise would
 201 slow down PCRE in many common cases. Note in particular that this applies to
 202 \eb and \eB, because they are defined in terms of \ew and \eW. If you really
 203 want to test for a wider sense of, say, "digit", you can use explicit Unicode
 204 property tests such as \ep{Nd}. Alternatively, if you set the PCRE_UCP option,
 205 the way that the character escapes work is changed so that Unicode properties
 206 are used to determine which characters match. There are more details in the
 207 section on
 208 .\" HTML <a href="pcrepattern.html#genericchartypes">
 209 .\" </a>
 210 generic character types
 211 .\"
 212 in the
 213 .\" HREF
 214 \fBpcrepattern\fP
 215 .\"
 216 documentation.
 217 .P
 218 7. Similarly, characters that match the POSIX named character classes are all
 219 low-valued characters, unless the PCRE_UCP option is set.
 220 .P
 221 8. However, the horizontal and vertical white space matching escapes (\eh, \eH,
 222 \ev, and \eV) do match all the appropriate Unicode characters, whether or not
 223 PCRE_UCP is set.
 224 .P
 225 9. Case-insensitive matching applies only to characters whose values are less
 226 than 128, unless PCRE is built with Unicode property support. A few Unicode
 227 characters such as Greek sigma have more than two codepoints that are
 228 case-equivalent. Up to and including PCRE release 8.31, only one-to-one case
 229 mappings were supported, but later releases (with Unicode property support) do
 230 treat as case-equivalent all versions of characters such as Greek sigma.
 231 .
 232 .
 233 .SH AUTHOR
 234 .rs
 235 .sp
 236 .nf
 237 Philip Hazel
 238 University Computing Service
 239 Cambridge CB2 3QH, England.
 240 .fi
 241 .
 242 .
 243 .SH REVISION
 244 .rs
 245 .sp
 246 .nf
 247 Last updated: 27 February 2013
 248 Copyright (c) 1997-2013 University of Cambridge.
 249 .fi