utf8.c

   1 /*    utf8.c
   2  *
   3  *    Copyright (c) 1998-2001, Larry Wall
   4  *
   5  *    You may distribute under the terms of either the GNU General Public
   6  *    License or the Artistic License, as specified in the README file.
   7  *
   8  */
   9
  10 /*
  11  * 'What a fix!' said Sam. 'That's the one place in all the lands we've ever
  12  * heard of that we don't want to see any closer; and that's the one place
  13  * we're trying to get to!  And that's just where we can't get, nohow.'
  14  *
  15  * 'Well do I understand your speech,' he answered in the same language;
  16  * 'yet few strangers do so.  Why then do you not speak in the Common Tongue,
  17  * as is the custom in the West, if you wish to be answered?'
  18  *
  19  * ...the travellers perceived that the floor was paved with stones of many
  20  * hues; branching runes and strange devices intertwined beneath their feet.
  21  */
  22
  23 #include "EXTERN.h"
  24 #define PERL_IN_UTF8_C
  25 #include "perl.h"
  26
  27 /* Unicode support */
  28
  29 /*
  30 =for apidoc A|U8 *|uvuni_to_utf8|U8 *d|UV uv
  31
  32 Adds the UTF8 representation of the Unicode codepoint C<uv> to the end
  33 of the string C<d>; C<d> should be have at least C<UTF8_MAXLEN+1> free
  34 bytes available. The return value is the pointer to the byte after the
  35 end of the new character. In other words,
  36
  37     d = uvuni_to_utf8(d, uv);
  38
  39 is the recommended Unicode-aware way of saying
  40
  41     *(d++) = uv;
  42
  43 =cut
  44 */
  45
  46 U8 *
  47 Perl_uvuni_to_utf8(pTHX_ U8 *d, UV uv)
  48 {
  49     if (UNI_IS_INVARIANT(uv)) {
  50         *d++ = UTF_TO_NATIVE(uv);
  51         return d;
  52     }
  53 #if defined(EBCDIC)
  54     else {
  55         STRLEN len  = UNISKIP(uv);
  56         U8 *p = d+len-1;
  57         while (p > d) {
  58             *p-- = UTF_TO_NATIVE((uv & UTF_CONTINUATION_MASK) | UTF_CONTINUATION_MARK);
  59             uv >>= UTF_ACCUMULATION_SHIFT;
  60         }
  61         *p = UTF_TO_NATIVE((uv & UTF_START_MASK(len)) | UTF_START_MARK(len));
  62         return d+len;
  63     }
  64 #else /* Non loop style */
  65     if (uv < 0x800) {
  66         *d++ = (( uv >>  6)         | 0xc0);
  67         *d++ = (( uv        & 0x3f) | 0x80);
  68         return d;
  69     }
  70     if (uv < 0x10000) {
  71         *d++ = (( uv >> 12)         | 0xe0);
  72         *d++ = (((uv >>  6) & 0x3f) | 0x80);
  73         *d++ = (( uv        & 0x3f) | 0x80);
  74         return d;
  75     }
  76     if (uv < 0x200000) {
  77         *d++ = (( uv >> 18)         | 0xf0);
  78         *d++ = (((uv >> 12) & 0x3f) | 0x80);
  79         *d++ = (((uv >>  6) & 0x3f) | 0x80);
  80         *d++ = (( uv        & 0x3f) | 0x80);
  81         return d;
  82     }
  83     if (uv < 0x4000000) {
  84         *d++ = (( uv >> 24)         | 0xf8);
  85         *d++ = (((uv >> 18) & 0x3f) | 0x80);
  86         *d++ = (((uv >> 12) & 0x3f) | 0x80);
  87         *d++ = (((uv >>  6) & 0x3f) | 0x80);
  88         *d++ = (( uv        & 0x3f) | 0x80);
  89         return d;
  90     }
  91     if (uv < 0x80000000) {
  92         *d++ = (( uv >> 30)         | 0xfc);
  93         *d++ = (((uv >> 24) & 0x3f) | 0x80);
  94         *d++ = (((uv >> 18) & 0x3f) | 0x80);
  95         *d++ = (((uv >> 12) & 0x3f) | 0x80);
  96         *d++ = (((uv >>  6) & 0x3f) | 0x80);
  97         *d++ = (( uv        & 0x3f) | 0x80);
  98         return d;
  99     }
 100 #ifdef HAS_QUAD
 101     if (uv < UTF8_QUAD_MAX)
 102 #endif
 103     {
 104         *d++ =                        0xfe;     /* Can't match U+FEFF! */
 105         *d++ = (((uv >> 30) & 0x3f) | 0x80);
 106         *d++ = (((uv >> 24) & 0x3f) | 0x80);
 107         *d++ = (((uv >> 18) & 0x3f) | 0x80);
 108         *d++ = (((uv >> 12) & 0x3f) | 0x80);
 109         *d++ = (((uv >>  6) & 0x3f) | 0x80);
 110         *d++ = (( uv        & 0x3f) | 0x80);
 111         return d;
 112     }
 113 #ifdef HAS_QUAD
 114     {
 115         *d++ =                        0xff;     /* Can't match U+FFFE! */
 116         *d++ =                        0x80;     /* 6 Reserved bits */
 117         *d++ = (((uv >> 60) & 0x0f) | 0x80);    /* 2 Reserved bits */
 118         *d++ = (((uv >> 54) & 0x3f) | 0x80);
 119         *d++ = (((uv >> 48) & 0x3f) | 0x80);
 120         *d++ = (((uv >> 42) & 0x3f) | 0x80);
 121         *d++ = (((uv >> 36) & 0x3f) | 0x80);
 122         *d++ = (((uv >> 30) & 0x3f) | 0x80);
 123         *d++ = (((uv >> 24) & 0x3f) | 0x80);
 124         *d++ = (((uv >> 18) & 0x3f) | 0x80);
 125         *d++ = (((uv >> 12) & 0x3f) | 0x80);
 126         *d++ = (((uv >>  6) & 0x3f) | 0x80);
 127         *d++ = (( uv        & 0x3f) | 0x80);
 128         return d;
 129     }
 130 #endif
 131 #endif /* Loop style */
 132 }
 133
 134
 135
 136 /*
 137 =for apidoc A|STRLEN|is_utf8_char|U8 *s
 138
 139 Tests if some arbitrary number of bytes begins in a valid UTF-8
 140 character.  Note that an INVARIANT (i.e. ASCII) character is a valid UTF-8 character.
 141 The actual number of bytes in the UTF-8 character will be returned if
 142 it is valid, otherwise 0.
 143
 144 =cut
 145 */
 146 STRLEN
 147 Perl_is_utf8_char(pTHX_ U8 *s)
 148 {
 149     U8 u = *s;
 150     STRLEN slen, len;
 151     UV uv, ouv;
 152
 153     if (UTF8_IS_INVARIANT(u))
 154         return 1;
 155
 156     if (!UTF8_IS_START(u))
 157         return 0;
 158
 159     len = UTF8SKIP(s);
 160
 161     if (len < 2 || !UTF8_IS_CONTINUATION(s[1]))
 162         return 0;
 163
 164     slen = len - 1;
 165     s++;
 166     u &= UTF_START_MASK(len);
 167     uv  = u;
 168     ouv = uv;
 169     while (slen--) {
 170         if (!UTF8_IS_CONTINUATION(*s))
 171             return 0;
 172         uv = UTF8_ACCUMULATE(uv, *s);
 173         if (uv < ouv)
 174             return 0;
 175         ouv = uv;
 176         s++;
 177     }
 178
 179     if (UNISKIP(uv) < len)
 180         return 0;
 181
 182     return len;
 183 }
 184
 185 /*
 186 =for apidoc A|bool|is_utf8_string|U8 *s|STRLEN len
 187
 188 Returns true if first C<len> bytes of the given string form a valid UTF8
 189 string, false otherwise.  Note that 'a valid UTF8 string' does not mean
 190 'a string that contains UTF8' because a valid ASCII string is a valid
 191 UTF8 string.
 192
 193 =cut
 194 */
 195
 196 bool
 197 Perl_is_utf8_string(pTHX_ U8 *s, STRLEN len)
 198 {
 199     U8* x = s;
 200     U8* send;
 201     STRLEN c;
 202
 203     if (!len)
 204         len = strlen((char *)s);
 205     send = s + len;
 206
 207     while (x < send) {
 208         c = is_utf8_char(x);
 209         if (!c)
 210             return FALSE;
 211         x += c;
 212     }
 213     if (x != send)
 214         return FALSE;
 215
 216     return TRUE;
 217 }
 218
 219 /*
 220 =for apidoc A|UV|utf8n_to_uvuni|U8 *s|STRLEN curlen|STRLEN *retlen|U32 flags
 221
 222 Bottom level UTF-8 decode routine.
 223 Returns the unicode code point value of the first character in the string C<s>
 224 which is assumed to be in UTF8 encoding and no longer than C<curlen>;
 225 C<retlen> will be set to the length, in bytes, of that character.
 226
 227 If C<s> does not point to a well-formed UTF8 character, the behaviour
 228 is dependent on the value of C<flags>: if it contains UTF8_CHECK_ONLY,
 229 it is assumed that the caller will raise a warning, and this function
 230 will silently just set C<retlen> to C<-1> and return zero.  If the
 231 C<flags> does not contain UTF8_CHECK_ONLY, warnings about
 232 malformations will be given, C<retlen> will be set to the expected
 233 length of the UTF-8 character in bytes, and zero will be returned.
 234
 235 The C<flags> can also contain various flags to allow deviations from
 236 the strict UTF-8 encoding (see F<utf8.h>).
 237
 238 Most code should use utf8_to_uvchr() rather than call this directly.
 239
 240 =cut
 241 */
 242
 243 UV
 244 Perl_utf8n_to_uvuni(pTHX_ U8 *s, STRLEN curlen, STRLEN *retlen, U32 flags)
 245 {
 246     UV uv = *s, ouv = 0;
 247     STRLEN len = 1;
 248     bool dowarn = ckWARN_d(WARN_UTF8);
 249     STRLEN expectlen = 0;
 250     U32 warning = 0;
 251
 252 /* This list is a superset of the UTF8_ALLOW_XXX. */
 253
 254 #define UTF8_WARN_EMPTY                          1
 255 #define UTF8_WARN_CONTINUATION                   2
 256 #define UTF8_WARN_NON_CONTINUATION               3
 257 #define UTF8_WARN_FE_FF                          4
 258 #define UTF8_WARN_SHORT                          5
 259 #define UTF8_WARN_OVERFLOW                       6
 260 #define UTF8_WARN_SURROGATE                      7
 261 #define UTF8_WARN_BOM                            8
 262 #define UTF8_WARN_LONG                           9
 263 #define UTF8_WARN_FFFF                          10
 264
 265     if (curlen == 0 &&
 266         !(flags & UTF8_ALLOW_EMPTY)) {
 267         warning = UTF8_WARN_EMPTY;
 268         goto malformed;
 269     }
 270
 271     if (UTF8_IS_INVARIANT(uv)) {
 272         if (retlen)
 273             *retlen = 1;
 274         return (UV) (NATIVE_TO_UTF(*s));
 275     }
 276
 277     if (UTF8_IS_CONTINUATION(uv) &&
 278         !(flags & UTF8_ALLOW_CONTINUATION)) {
 279         warning = UTF8_WARN_CONTINUATION;
 280         goto malformed;
 281     }
 282
 283     if (UTF8_IS_START(uv) && curlen > 1 && !UTF8_IS_CONTINUATION(s[1]) &&
 284         !(flags & UTF8_ALLOW_NON_CONTINUATION)) {
 285         warning = UTF8_WARN_NON_CONTINUATION;
 286         goto malformed;
 287     }
 288
 289 #ifdef EBCDIC
 290     uv = NATIVE_TO_UTF(uv);
 291 #else
 292     if ((uv == 0xfe || uv == 0xff) &&
 293         !(flags & UTF8_ALLOW_FE_FF)) {
 294         warning = UTF8_WARN_FE_FF;
 295         goto malformed;
 296     }
 297 #endif
 298
 299     if      (!(uv & 0x20))      { len =  2; uv &= 0x1f; }
 300     else if (!(uv & 0x10))      { len =  3; uv &= 0x0f; }
 301     else if (!(uv & 0x08))      { len =  4; uv &= 0x07; }
 302     else if (!(uv & 0x04))      { len =  5; uv &= 0x03; }
 303 #ifdef EBCDIC
 304     else if (!(uv & 0x02))      { len =  6; uv &= 0x01; }
 305     else                        { len =  7; uv &= 0x01; }
 306 #else
 307     else if (!(uv & 0x02))      { len =  6; uv &= 0x01; }
 308     else if (!(uv & 0x01))      { len =  7; uv = 0; }
 309     else                        { len = 13; uv = 0; } /* whoa! */
 310 #endif
 311
 312     if (retlen)
 313         *retlen = len;
 314
 315     expectlen = len;
 316
 317     if ((curlen < expectlen) &&
 318         !(flags & UTF8_ALLOW_SHORT)) {
 319         warning = UTF8_WARN_SHORT;
 320         goto malformed;
 321     }
 322
 323     len--;
 324     s++;
 325     ouv = uv;
 326
 327     while (len--) {
 328         if (!UTF8_IS_CONTINUATION(*s) &&
 329             !(flags & UTF8_ALLOW_NON_CONTINUATION)) {
 330             s--;
 331             warning = UTF8_WARN_NON_CONTINUATION;
 332             goto malformed;
 333         }
 334         else
 335             uv = UTF8_ACCUMULATE(uv, *s);
 336         if (!(uv > ouv)) {
 337             /* These cannot be allowed. */
 338             if (uv == ouv) {
 339                 if (!(flags & UTF8_ALLOW_LONG)) {
 340                     warning = UTF8_WARN_LONG;
 341                     goto malformed;
 342                 }
 343             }
 344             else { /* uv < ouv */
 345                 /* This cannot be allowed. */
 346                 warning = UTF8_WARN_OVERFLOW;
 347                 goto malformed;
 348             }
 349         }
 350         s++;
 351         ouv = uv;
 352     }
 353
 354     if (UNICODE_IS_SURROGATE(uv) &&
 355         !(flags & UTF8_ALLOW_SURROGATE)) {
 356         warning = UTF8_WARN_SURROGATE;
 357         goto malformed;
 358     } else if (UNICODE_IS_BYTE_ORDER_MARK(uv) &&
 359                !(flags & UTF8_ALLOW_BOM)) {
 360         warning = UTF8_WARN_BOM;
 361         goto malformed;
 362     } else if ((expectlen > UNISKIP(uv)) &&
 363                !(flags & UTF8_ALLOW_LONG)) {
 364         warning = UTF8_WARN_LONG;
 365         goto malformed;
 366     } else if (UNICODE_IS_ILLEGAL(uv) &&
 367                !(flags & UTF8_ALLOW_FFFF)) {
 368         warning = UTF8_WARN_FFFF;
 369         goto malformed;
 370     }
 371
 372     return uv;
 373
 374 malformed:
 375
 376     if (flags & UTF8_CHECK_ONLY) {
 377         if (retlen)
 378             *retlen = -1;
 379         return 0;
 380     }
 381
 382     if (dowarn) {
 383         SV* sv = sv_2mortal(newSVpv("Malformed UTF-8 character ", 0));
 384
 385         switch (warning) {
 386         case 0: /* Intentionally empty. */ break;
 387         case UTF8_WARN_EMPTY:
 388             Perl_sv_catpvf(aTHX_ sv, "(empty string)");
 389             break;
 390         case UTF8_WARN_CONTINUATION:
 391             Perl_sv_catpvf(aTHX_ sv, "(unexpected continuation byte 0x%02"UVxf")", uv);
 392             break;
 393         case UTF8_WARN_NON_CONTINUATION:
 394             Perl_sv_catpvf(aTHX_ sv, "(unexpected non-continuation byte 0x%02"UVxf" after start byte 0x%02"UVxf")",
 395                            (UV)s[1], uv);
 396             break;
 397         case UTF8_WARN_FE_FF:
 398             Perl_sv_catpvf(aTHX_ sv, "(byte 0x%02"UVxf")", uv);
 399             break;
 400         case UTF8_WARN_SHORT:
 401             Perl_sv_catpvf(aTHX_ sv, "(%d byte%s, need %d)",
 402                            curlen, curlen == 1 ? "" : "s", expectlen);
 403             break;
 404         case UTF8_WARN_OVERFLOW:
 405             Perl_sv_catpvf(aTHX_ sv, "(overflow at 0x%"UVxf", byte 0x%02x)",
 406                            ouv, *s);
 407             break;
 408         case UTF8_WARN_SURROGATE:
 409             Perl_sv_catpvf(aTHX_ sv, "(UTF-16 surrogate 0x%04"UVxf")", uv);
 410             break;
 411         case UTF8_WARN_BOM:
 412             Perl_sv_catpvf(aTHX_ sv, "(byte order mark 0x%04"UVxf")", uv);
 413             break;
 414         case UTF8_WARN_LONG:
 415             Perl_sv_catpvf(aTHX_ sv, "(%d byte%s, need %d)",
 416                            expectlen, expectlen == 1 ? "": "s", UNISKIP(uv));
 417             break;
 418         case UTF8_WARN_FFFF:
 419             Perl_sv_catpvf(aTHX_ sv, "(character 0x%04"UVxf")", uv);
 420             break;
 421         default:
 422             Perl_sv_catpvf(aTHX_ sv, "(unknown reason)");
 423             break;
 424         }
 425
 426         if (warning) {
 427             char *s = SvPVX(sv);
 428
 429             if (PL_op)
 430                 Perl_warner(aTHX_ WARN_UTF8,
 431                             "%s in %s", s,  OP_DESC(PL_op));
 432             else
 433                 Perl_warner(aTHX_ WARN_UTF8, "%s", s);
 434         }
 435     }
 436
 437     if (retlen)
 438         *retlen = expectlen ? expectlen : len;
 439
 440     return 0;
 441 }
 442
 443 /*
 444 =for apidoc A|UV|utf8_to_uvchr|U8 *s|STRLEN *retlen
 445
 446 Returns the native character value of the first character in the string C<s>
 447 which is assumed to be in UTF8 encoding; C<retlen> will be set to the
 448 length, in bytes, of that character.
 449
 450 If C<s> does not point to a well-formed UTF8 character, zero is
 451 returned and retlen is set, if possible, to -1.
 452
 453 =cut
 454 */
 455
 456 UV
 457 Perl_utf8_to_uvchr(pTHX_ U8 *s, STRLEN *retlen)
 458 {
 459     return Perl_utf8n_to_uvchr(aTHX_ s, UTF8_MAXLEN, retlen, 0);
 460 }
 461
 462 /*
 463 =for apidoc A|UV|utf8_to_uvuni|U8 *s|STRLEN *retlen
 464
 465 Returns the Unicode code point of the first character in the string C<s>
 466 which is assumed to be in UTF8 encoding; C<retlen> will be set to the
 467 length, in bytes, of that character.
 468
 469 This function should only be used when returned UV is considered
 470 an index into the Unicode semantic tables (e.g. swashes).
 471
 472 If C<s> does not point to a well-formed UTF8 character, zero is
 473 returned and retlen is set, if possible, to -1.
 474
 475 =cut
 476 */
 477
 478 UV
 479 Perl_utf8_to_uvuni(pTHX_ U8 *s, STRLEN *retlen)
 480 {
 481     /* Call the low level routine asking for checks */
 482     return Perl_utf8n_to_uvuni(aTHX_ s, UTF8_MAXLEN, retlen, 0);
 483 }
 484
 485 /*
 486 =for apidoc A|STRLEN|utf8_length|U8 *s|U8 *e
 487
 488 Return the length of the UTF-8 char encoded string C<s> in characters.
 489 Stops at C<e> (inclusive).  If C<e E<lt> s> or if the scan would end
 490 up past C<e>, croaks.
 491
 492 =cut
 493 */
 494
 495 STRLEN
 496 Perl_utf8_length(pTHX_ U8 *s, U8 *e)
 497 {
 498     STRLEN len = 0;
 499
 500     /* Note: cannot use UTF8_IS_...() too eagerly here since e.g.
 501      * the bitops (especially ~) can create illegal UTF-8.
 502      * In other words: in Perl UTF-8 is not just for Unicode. */
 503
 504     if (e < s)
 505         Perl_croak(aTHX_ "panic: utf8_length: unexpected end");
 506     while (s < e) {
 507         U8 t = UTF8SKIP(s);
 508
 509         if (e - s < t)
 510             Perl_croak(aTHX_ "panic: utf8_length: unaligned end");
 511         s += t;
 512         len++;
 513     }
 514
 515     return len;
 516 }
 517
 518 /*
 519 =for apidoc A|IV|utf8_distance|U8 *a|U8 *b
 520
 521 Returns the number of UTF8 characters between the UTF-8 pointers C<a>
 522 and C<b>.
 523
 524 WARNING: use only if you *know* that the pointers point inside the
 525 same UTF-8 buffer.
 526
 527 =cut
 528 */
 529
 530 IV
 531 Perl_utf8_distance(pTHX_ U8 *a, U8 *b)
 532 {
 533     IV off = 0;
 534
 535     /* Note: cannot use UTF8_IS_...() too eagerly here since  e.g.
 536      * the bitops (especially ~) can create illegal UTF-8.
 537      * In other words: in Perl UTF-8 is not just for Unicode. */
 538
 539     if (a < b) {
 540         while (a < b) {
 541             U8 c = UTF8SKIP(a);
 542
 543             if (b - a < c)
 544                 Perl_croak(aTHX_ "panic: utf8_distance: unaligned end");
 545             a += c;
 546             off--;
 547         }
 548     }
 549     else {
 550         while (b < a) {
 551             U8 c = UTF8SKIP(b);
 552
 553             if (a - b < c)
 554                 Perl_croak(aTHX_ "panic: utf8_distance: unaligned end");
 555             b += c;
 556             off++;
 557         }
 558     }
 559
 560     return off;
 561 }
 562
 563 /*
 564 =for apidoc A|U8 *|utf8_hop|U8 *s|I32 off
 565
 566 Return the UTF-8 pointer C<s> displaced by C<off> characters, either
 567 forward or backward.
 568
 569 WARNING: do not use the following unless you *know* C<off> is within
 570 the UTF-8 data pointed to by C<s> *and* that on entry C<s> is aligned
 571 on the first byte of character or just after the last byte of a character.
 572
 573 =cut
 574 */
 575
 576 U8 *
 577 Perl_utf8_hop(pTHX_ U8 *s, I32 off)
 578 {
 579     /* Note: cannot use UTF8_IS_...() too eagerly here since e.g
 580      * the bitops (especially ~) can create illegal UTF-8.
 581      * In other words: in Perl UTF-8 is not just for Unicode. */
 582
 583     if (off >= 0) {
 584         while (off--)
 585             s += UTF8SKIP(s);
 586     }
 587     else {
 588         while (off++) {
 589             s--;
 590             while (UTF8_IS_CONTINUATION(*s))
 591                 s--;
 592         }
 593     }
 594     return s;
 595 }
 596
 597 /*
 598 =for apidoc A|U8 *|utf8_to_bytes|U8 *s|STRLEN *len
 599
 600 Converts a string C<s> of length C<len> from UTF8 into byte encoding.
 601 Unlike C<bytes_to_utf8>, this over-writes the original string, and
 602 updates len to contain the new length.
 603 Returns zero on failure, setting C<len> to -1.
 604
 605 =cut
 606 */
 607
 608 U8 *
 609 Perl_utf8_to_bytes(pTHX_ U8 *s, STRLEN *len)
 610 {
 611     U8 *send;
 612     U8 *d;
 613     U8 *save = s;
 614
 615     /* ensure valid UTF8 and chars < 256 before updating string */
 616     for (send = s + *len; s < send; ) {
 617         U8 c = *s++;
 618
 619         if (!UTF8_IS_INVARIANT(c) &&
 620             (!UTF8_IS_DOWNGRADEABLE_START(c) || (s >= send)
 621              || !(c = *s++) || !UTF8_IS_CONTINUATION(c))) {
 622             *len = -1;
 623             return 0;
 624         }
 625     }
 626
 627     d = s = save;
 628     while (s < send) {
 629         STRLEN ulen;
 630         *d++ = (U8)utf8_to_uvchr(s, &ulen);
 631         s += ulen;
 632     }
 633     *d = '\0';
 634     *len = d - save;
 635     return save;
 636 }
 637
 638 /*
 639 =for apidoc A|U8 *|bytes_from_utf8|U8 *s|STRLEN *len|bool *is_utf8
 640
 641 Converts a string C<s> of length C<len> from UTF8 into byte encoding.
 642 Unlike <utf8_to_bytes> but like C<bytes_to_utf8>, returns a pointer to
 643 the newly-created string, and updates C<len> to contain the new
 644 length.  Returns the original string if no conversion occurs, C<len>
 645 is unchanged. Do nothing if C<is_utf8> points to 0. Sets C<is_utf8> to
 646 0 if C<s> is converted or contains all 7bit characters.
 647
 648 =cut
 649 */
 650
 651 U8 *
 652 Perl_bytes_from_utf8(pTHX_ U8 *s, STRLEN *len, bool *is_utf8)
 653 {
 654     U8 *d;
 655     U8 *start = s;
 656     U8 *send;
 657     I32 count = 0;
 658
 659     if (!*is_utf8)
 660         return start;
 661
 662     /* ensure valid UTF8 and chars < 256 before converting string */
 663     for (send = s + *len; s < send;) {
 664         U8 c = *s++;
 665         if (!UTF8_IS_INVARIANT(c)) {
 666             if (UTF8_IS_DOWNGRADEABLE_START(c) && s < send &&
 667                 (c = *s++) && UTF8_IS_CONTINUATION(c))
 668                 count++;
 669             else
 670                 return start;
 671         }
 672     }
 673
 674     *is_utf8 = 0;
 675
 676     Newz(801, d, (*len) - count + 1, U8);
 677     s = start; start = d;
 678     while (s < send) {
 679         U8 c = *s++;
 680         if (!UTF8_IS_INVARIANT(c)) {
 681             /* Then it is two-byte encoded */
 682             c = UTF8_ACCUMULATE(NATIVE_TO_UTF(c), *s++);
 683             c = ASCII_TO_NATIVE(c);
 684         }
 685         *d++ = c;
 686     }
 687     *d = '\0';
 688     *len = d - start;
 689     return start;
 690 }
 691
 692 /*
 693 =for apidoc A|U8 *|bytes_to_utf8|U8 *s|STRLEN *len
 694
 695 Converts a string C<s> of length C<len> from ASCII into UTF8 encoding.
 696 Returns a pointer to the newly-created string, and sets C<len> to
 697 reflect the new length.
 698
 699 =cut
 700 */
 701
 702 U8*
 703 Perl_bytes_to_utf8(pTHX_ U8 *s, STRLEN *len)
 704 {
 705     U8 *send;
 706     U8 *d;
 707     U8 *dst;
 708     send = s + (*len);
 709
 710     Newz(801, d, (*len) * 2 + 1, U8);
 711     dst = d;
 712
 713     while (s < send) {
 714         UV uv = NATIVE_TO_ASCII(*s++);
 715         if (UNI_IS_INVARIANT(uv))
 716             *d++ = UTF_TO_NATIVE(uv);
 717         else {
 718             *d++ = UTF8_EIGHT_BIT_HI(uv);
 719             *d++ = UTF8_EIGHT_BIT_LO(uv);
 720         }
 721     }
 722     *d = '\0';
 723     *len = d-dst;
 724     return dst;
 725 }
 726
 727 /*
 728  * Convert native (big-endian) or reversed (little-endian) UTF-16 to UTF-8.
 729  *
 730  * Destination must be pre-extended to 3/2 source.  Do not use in-place.
 731  * We optimize for native, for obvious reasons. */
 732
 733 U8*
 734 Perl_utf16_to_utf8(pTHX_ U8* p, U8* d, I32 bytelen, I32 *newlen)
 735 {
 736     U8* pend;
 737     U8* dstart = d;
 738
 739     if (bytelen & 1)
 740         Perl_croak(aTHX_ "panic: utf16_to_utf8: odd bytelen");
 741
 742     pend = p + bytelen;
 743
 744     while (p < pend) {
 745         UV uv = (p[0] << 8) + p[1]; /* UTF-16BE */
 746         p += 2;
 747         if (uv < 0x80) {
 748             *d++ = uv;
 749             continue;
 750         }
 751         if (uv < 0x800) {
 752             *d++ = (( uv >>  6)         | 0xc0);
 753             *d++ = (( uv        & 0x3f) | 0x80);
 754             continue;
 755         }
 756         if (uv >= 0xd800 && uv < 0xdbff) {      /* surrogates */
 757             UV low = *p++;
 758             if (low < 0xdc00 || low >= 0xdfff)
 759                 Perl_croak(aTHX_ "Malformed UTF-16 surrogate");
 760             uv = ((uv - 0xd800) << 10) + (low - 0xdc00) + 0x10000;
 761         }
 762         if (uv < 0x10000) {
 763             *d++ = (( uv >> 12)         | 0xe0);
 764             *d++ = (((uv >>  6) & 0x3f) | 0x80);
 765             *d++ = (( uv        & 0x3f) | 0x80);
 766             continue;
 767         }
 768         else {
 769             *d++ = (( uv >> 18)         | 0xf0);
 770             *d++ = (((uv >> 12) & 0x3f) | 0x80);
 771             *d++ = (((uv >>  6) & 0x3f) | 0x80);
 772             *d++ = (( uv        & 0x3f) | 0x80);
 773             continue;
 774         }
 775     }
 776     *newlen = d - dstart;
 777     return d;
 778 }
 779
 780 /* Note: this one is slightly destructive of the source. */
 781
 782 U8*
 783 Perl_utf16_to_utf8_reversed(pTHX_ U8* p, U8* d, I32 bytelen, I32 *newlen)
 784 {
 785     U8* s = (U8*)p;
 786     U8* send = s + bytelen;
 787     while (s < send) {
 788         U8 tmp = s[0];
 789         s[0] = s[1];
 790         s[1] = tmp;
 791         s += 2;
 792     }
 793     return utf16_to_utf8(p, d, bytelen, newlen);
 794 }
 795
 796 /* for now these are all defined (inefficiently) in terms of the utf8 versions */
 797
 798 bool
 799 Perl_is_uni_alnum(pTHX_ UV c)
 800 {
 801     U8 tmpbuf[UTF8_MAXLEN+1];
 802     uvchr_to_utf8(tmpbuf, (UV)c);
 803     return is_utf8_alnum(tmpbuf);
 804 }
 805
 806 bool
 807 Perl_is_uni_alnumc(pTHX_ UV c)
 808 {
 809     U8 tmpbuf[UTF8_MAXLEN+1];
 810     uvchr_to_utf8(tmpbuf, (UV)c);
 811     return is_utf8_alnumc(tmpbuf);
 812 }
 813
 814 bool
 815 Perl_is_uni_idfirst(pTHX_ UV c)
 816 {
 817     U8 tmpbuf[UTF8_MAXLEN+1];
 818     uvchr_to_utf8(tmpbuf, (UV)c);
 819     return is_utf8_idfirst(tmpbuf);
 820 }
 821
 822 bool
 823 Perl_is_uni_alpha(pTHX_ UV c)
 824 {
 825     U8 tmpbuf[UTF8_MAXLEN+1];
 826     uvchr_to_utf8(tmpbuf, (UV)c);
 827     return is_utf8_alpha(tmpbuf);
 828 }
 829
 830 bool
 831 Perl_is_uni_ascii(pTHX_ UV c)
 832 {
 833     U8 tmpbuf[UTF8_MAXLEN+1];
 834     uvchr_to_utf8(tmpbuf, (UV)c);
 835     return is_utf8_ascii(tmpbuf);
 836 }
 837
 838 bool
 839 Perl_is_uni_space(pTHX_ UV c)
 840 {
 841     U8 tmpbuf[UTF8_MAXLEN+1];
 842     uvchr_to_utf8(tmpbuf, (UV)c);
 843     return is_utf8_space(tmpbuf);
 844 }
 845
 846 bool
 847 Perl_is_uni_digit(pTHX_ UV c)
 848 {
 849     U8 tmpbuf[UTF8_MAXLEN+1];
 850     uvchr_to_utf8(tmpbuf, (UV)c);
 851     return is_utf8_digit(tmpbuf);
 852 }
 853
 854 bool
 855 Perl_is_uni_upper(pTHX_ UV c)
 856 {
 857     U8 tmpbuf[UTF8_MAXLEN+1];
 858     uvchr_to_utf8(tmpbuf, (UV)c);
 859     return is_utf8_upper(tmpbuf);
 860 }
 861
 862 bool
 863 Perl_is_uni_lower(pTHX_ UV c)
 864 {
 865     U8 tmpbuf[UTF8_MAXLEN+1];
 866     uvchr_to_utf8(tmpbuf, (UV)c);
 867     return is_utf8_lower(tmpbuf);
 868 }
 869
 870 bool
 871 Perl_is_uni_cntrl(pTHX_ UV c)
 872 {
 873     U8 tmpbuf[UTF8_MAXLEN+1];
 874     uvchr_to_utf8(tmpbuf, (UV)c);
 875     return is_utf8_cntrl(tmpbuf);
 876 }
 877
 878 bool
 879 Perl_is_uni_graph(pTHX_ UV c)
 880 {
 881     U8 tmpbuf[UTF8_MAXLEN+1];
 882     uvchr_to_utf8(tmpbuf, (UV)c);
 883     return is_utf8_graph(tmpbuf);
 884 }
 885
 886 bool
 887 Perl_is_uni_print(pTHX_ UV c)
 888 {
 889     U8 tmpbuf[UTF8_MAXLEN+1];
 890     uvchr_to_utf8(tmpbuf, (UV)c);
 891     return is_utf8_print(tmpbuf);
 892 }
 893
 894 bool
 895 Perl_is_uni_punct(pTHX_ UV c)
 896 {
 897     U8 tmpbuf[UTF8_MAXLEN+1];
 898     uvchr_to_utf8(tmpbuf, (UV)c);
 899     return is_utf8_punct(tmpbuf);
 900 }
 901
 902 bool
 903 Perl_is_uni_xdigit(pTHX_ UV c)
 904 {
 905     U8 tmpbuf[UTF8_MAXLEN*2+1];
 906     uvchr_to_utf8(tmpbuf, (UV)c);
 907     return is_utf8_xdigit(tmpbuf);
 908 }
 909
 910 UV
 911 Perl_to_uni_upper(pTHX_ UV c, U8* p, STRLEN *lenp)
 912 {
 913     U8 tmpbuf[UTF8_MAXLEN*2+1];
 914     uvchr_to_utf8(tmpbuf, (UV)c);
 915     return to_utf8_upper(tmpbuf, p, lenp);
 916 }
 917
 918 UV
 919 Perl_to_uni_title(pTHX_ UV c, U8* p, STRLEN *lenp)
 920 {
 921     U8 tmpbuf[UTF8_MAXLEN*2+1];
 922     uvchr_to_utf8(tmpbuf, (UV)c);
 923     return to_utf8_title(tmpbuf, p, lenp);
 924 }
 925
 926 UV
 927 Perl_to_uni_lower(pTHX_ UV c, U8* p, STRLEN *lenp)
 928 {
 929     U8 tmpbuf[UTF8_MAXLEN+1];
 930     uvchr_to_utf8(tmpbuf, (UV)c);
 931     return to_utf8_lower(tmpbuf, p, lenp);
 932 }
 933
 934 UV
 935 Perl_to_uni_fold(pTHX_ UV c, U8* p, STRLEN *lenp)
 936 {
 937     U8 tmpbuf[UTF8_MAXLEN+1];
 938     uvchr_to_utf8(tmpbuf, (UV)c);
 939     return to_utf8_fold(tmpbuf, p, lenp);
 940 }
 941
 942 /* for now these all assume no locale info available for Unicode > 255 */
 943
 944 bool
 945 Perl_is_uni_alnum_lc(pTHX_ UV c)
 946 {
 947     return is_uni_alnum(c);     /* XXX no locale support yet */
 948 }
 949
 950 bool
 951 Perl_is_uni_alnumc_lc(pTHX_ UV c)
 952 {
 953     return is_uni_alnumc(c);    /* XXX no locale support yet */
 954 }
 955
 956 bool
 957 Perl_is_uni_idfirst_lc(pTHX_ UV c)
 958 {
 959     return is_uni_idfirst(c);   /* XXX no locale support yet */
 960 }
 961
 962 bool
 963 Perl_is_uni_alpha_lc(pTHX_ UV c)
 964 {
 965     return is_uni_alpha(c);     /* XXX no locale support yet */
 966 }
 967
 968 bool
 969 Perl_is_uni_ascii_lc(pTHX_ UV c)
 970 {
 971     return is_uni_ascii(c);     /* XXX no locale support yet */
 972 }
 973
 974 bool
 975 Perl_is_uni_space_lc(pTHX_ UV c)
 976 {
 977     return is_uni_space(c);     /* XXX no locale support yet */
 978 }
 979
 980 bool
 981 Perl_is_uni_digit_lc(pTHX_ UV c)
 982 {
 983     return is_uni_digit(c);     /* XXX no locale support yet */
 984 }
 985
 986 bool
 987 Perl_is_uni_upper_lc(pTHX_ UV c)
 988 {
 989     return is_uni_upper(c);     /* XXX no locale support yet */
 990 }
 991
 992 bool
 993 Perl_is_uni_lower_lc(pTHX_ UV c)
 994 {
 995     return is_uni_lower(c);     /* XXX no locale support yet */
 996 }
 997
 998 bool
 999 Perl_is_uni_cntrl_lc(pTHX_ UV c)
1000 {
1001     return is_uni_cntrl(c);     /* XXX no locale support yet */
1002 }
1003
1004 bool
1005 Perl_is_uni_graph_lc(pTHX_ UV c)
1006 {
1007     return is_uni_graph(c);     /* XXX no locale support yet */
1008 }
1009
1010 bool
1011 Perl_is_uni_print_lc(pTHX_ UV c)
1012 {
1013     return is_uni_print(c);     /* XXX no locale support yet */
1014 }
1015
1016 bool
1017 Perl_is_uni_punct_lc(pTHX_ UV c)
1018 {
1019     return is_uni_punct(c);     /* XXX no locale support yet */
1020 }
1021
1022 bool
1023 Perl_is_uni_xdigit_lc(pTHX_ UV c)
1024 {
1025     return is_uni_xdigit(c);    /* XXX no locale support yet */
1026 }
1027
1028 bool
1029 Perl_is_utf8_alnum(pTHX_ U8 *p)
1030 {
1031     if (!is_utf8_char(p))
1032         return FALSE;
1033     if (!PL_utf8_alnum)
1034         /* NOTE: "IsWord", not "IsAlnum", since Alnum is a true
1035          * descendant of isalnum(3), in other words, it doesn't
1036          * contain the '_'. --jhi */
1037         PL_utf8_alnum = swash_init("utf8", "IsWord", &PL_sv_undef, 0, 0);
1038     return swash_fetch(PL_utf8_alnum, p, TRUE);
1039 /*    return *p == '_' || is_utf8_alpha(p) || is_utf8_digit(p); */
1040 #ifdef SURPRISINGLY_SLOWER  /* probably because alpha is usually true */
1041     if (!PL_utf8_alnum)
1042         PL_utf8_alnum = swash_init("utf8", "",
1043             sv_2mortal(newSVpv("+utf8::IsAlpha\n+utf8::IsDigit\n005F\n",0)), 0, 0);
1044     return swash_fetch(PL_utf8_alnum, p, TRUE);
1045 #endif
1046 }
1047
1048 bool
1049 Perl_is_utf8_alnumc(pTHX_ U8 *p)
1050 {
1051     if (!is_utf8_char(p))
1052         return FALSE;
1053     if (!PL_utf8_alnum)
1054         PL_utf8_alnum = swash_init("utf8", "IsAlnumC", &PL_sv_undef, 0, 0);
1055     return swash_fetch(PL_utf8_alnum, p, TRUE);
1056 /*    return is_utf8_alpha(p) || is_utf8_digit(p); */
1057 #ifdef SURPRISINGLY_SLOWER  /* probably because alpha is usually true */
1058     if (!PL_utf8_alnum)
1059         PL_utf8_alnum = swash_init("utf8", "",
1060             sv_2mortal(newSVpv("+utf8::IsAlpha\n+utf8::IsDigit\n005F\n",0)), 0, 0);
1061     return swash_fetch(PL_utf8_alnum, p, TRUE);
1062 #endif
1063 }
1064
1065 bool
1066 Perl_is_utf8_idfirst(pTHX_ U8 *p)
1067 {
1068     return *p == '_' || is_utf8_alpha(p);
1069 }
1070
1071 bool
1072 Perl_is_utf8_alpha(pTHX_ U8 *p)
1073 {
1074     if (!is_utf8_char(p))
1075         return FALSE;
1076     if (!PL_utf8_alpha)
1077         PL_utf8_alpha = swash_init("utf8", "IsAlpha", &PL_sv_undef, 0, 0);
1078     return swash_fetch(PL_utf8_alpha, p, TRUE);
1079 }
1080
1081 bool
1082 Perl_is_utf8_ascii(pTHX_ U8 *p)
1083 {
1084     if (!is_utf8_char(p))
1085         return FALSE;
1086     if (!PL_utf8_ascii)
1087         PL_utf8_ascii = swash_init("utf8", "IsAscii", &PL_sv_undef, 0, 0);
1088     return swash_fetch(PL_utf8_ascii, p, TRUE);
1089 }
1090
1091 bool
1092 Perl_is_utf8_space(pTHX_ U8 *p)
1093 {
1094     if (!is_utf8_char(p))
1095         return FALSE;
1096     if (!PL_utf8_space)
1097         PL_utf8_space = swash_init("utf8", "IsSpacePerl", &PL_sv_undef, 0, 0);
1098     return swash_fetch(PL_utf8_space, p, TRUE);
1099 }
1100
1101 bool
1102 Perl_is_utf8_digit(pTHX_ U8 *p)
1103 {
1104     if (!is_utf8_char(p))
1105         return FALSE;
1106     if (!PL_utf8_digit)
1107         PL_utf8_digit = swash_init("utf8", "IsDigit", &PL_sv_undef, 0, 0);
1108     return swash_fetch(PL_utf8_digit, p, TRUE);
1109 }
1110
1111 bool
1112 Perl_is_utf8_upper(pTHX_ U8 *p)
1113 {
1114     if (!is_utf8_char(p))
1115         return FALSE;
1116     if (!PL_utf8_upper)
1117         PL_utf8_upper = swash_init("utf8", "IsUpper", &PL_sv_undef, 0, 0);
1118     return swash_fetch(PL_utf8_upper, p, TRUE);
1119 }
1120
1121 bool
1122 Perl_is_utf8_lower(pTHX_ U8 *p)
1123 {
1124     if (!is_utf8_char(p))
1125         return FALSE;
1126     if (!PL_utf8_lower)
1127         PL_utf8_lower = swash_init("utf8", "IsLower", &PL_sv_undef, 0, 0);
1128     return swash_fetch(PL_utf8_lower, p, TRUE);
1129 }
1130
1131 bool
1132 Perl_is_utf8_cntrl(pTHX_ U8 *p)
1133 {
1134     if (!is_utf8_char(p))
1135         return FALSE;
1136     if (!PL_utf8_cntrl)
1137         PL_utf8_cntrl = swash_init("utf8", "IsCntrl", &PL_sv_undef, 0, 0);
1138     return swash_fetch(PL_utf8_cntrl, p, TRUE);
1139 }
1140
1141 bool
1142 Perl_is_utf8_graph(pTHX_ U8 *p)
1143 {
1144     if (!is_utf8_char(p))
1145         return FALSE;
1146     if (!PL_utf8_graph)
1147         PL_utf8_graph = swash_init("utf8", "IsGraph", &PL_sv_undef, 0, 0);
1148     return swash_fetch(PL_utf8_graph, p, TRUE);
1149 }
1150
1151 bool
1152 Perl_is_utf8_print(pTHX_ U8 *p)
1153 {
1154     if (!is_utf8_char(p))
1155         return FALSE;
1156     if (!PL_utf8_print)
1157         PL_utf8_print = swash_init("utf8", "IsPrint", &PL_sv_undef, 0, 0);
1158     return swash_fetch(PL_utf8_print, p, TRUE);
1159 }
1160
1161 bool
1162 Perl_is_utf8_punct(pTHX_ U8 *p)
1163 {
1164     if (!is_utf8_char(p))
1165         return FALSE;
1166     if (!PL_utf8_punct)
1167         PL_utf8_punct = swash_init("utf8", "IsPunct", &PL_sv_undef, 0, 0);
1168     return swash_fetch(PL_utf8_punct, p, TRUE);
1169 }
1170
1171 bool
1172 Perl_is_utf8_xdigit(pTHX_ U8 *p)
1173 {
1174     if (!is_utf8_char(p))
1175         return FALSE;
1176     if (!PL_utf8_xdigit)
1177         PL_utf8_xdigit = swash_init("utf8", "IsXDigit", &PL_sv_undef, 0, 0);
1178     return swash_fetch(PL_utf8_xdigit, p, TRUE);
1179 }
1180
1181 bool
1182 Perl_is_utf8_mark(pTHX_ U8 *p)
1183 {
1184     if (!is_utf8_char(p))
1185         return FALSE;
1186     if (!PL_utf8_mark)
1187         PL_utf8_mark = swash_init("utf8", "IsM", &PL_sv_undef, 0, 0);
1188     return swash_fetch(PL_utf8_mark, p, TRUE);
1189 }
1190
1191 /*
1192 =for apidoc A|UV|to_utf8_case|U8 *p|U8* ustrp|STRLEN *lenp|SV **swash|char *normal|char *special
1193
1194 The "p" contains the pointer to the UTF-8 string encoding
1195 the character that is being converted.
1196
1197 The "ustrp" is a pointer to the character buffer to put the
1198 conversion result to.  The "lenp" is a pointer to the length
1199 of the result.
1200
1201 The "swash" is a pointer to the swash to use.
1202
1203 The "normal" is a string like "ToLower" which means the swash
1204 $utf8::ToLower, which is stored in lib/unicore/To/Lower.pl,
1205 and loaded by SWASHGET, using lib/utf8_heavy.pl.
1206
1207 The "special" is a string like "utf8::ToSpecLower", which means
1208 the hash %utf8::ToSpecLower, which is stored in the same file,
1209 lib/unicore/To/Lower.pl, and also loaded by SWASHGET.  The access
1210 to the hash is by Perl_to_utf8_case().
1211
1212 =cut
1213  */
1214
1215 UV
1216 Perl_to_utf8_case(pTHX_ U8 *p, U8* ustrp, STRLEN *lenp, SV **swashp,char *normal, char *special)
1217 {
1218     UV uv;
1219
1220     if (!*swashp)
1221         *swashp = swash_init("utf8", normal, &PL_sv_undef, 4, 0);
1222     uv = swash_fetch(*swashp, p, TRUE);
1223     if (uv)
1224          uv = UNI_TO_NATIVE(uv);
1225     else {
1226          HV *hv;
1227          SV *keysv;
1228          HE *he;
1229
1230          uv = utf8_to_uvchr(p, 0);
1231
1232          if ((hv    = get_hv(special, FALSE)) &&
1233              (keysv = sv_2mortal(Perl_newSVpvf(aTHX_ "%04"UVXf, uv))) &&
1234              (he    = hv_fetch_ent(hv, keysv, FALSE, 0))) {
1235               SV *val = HeVAL(he);
1236               char *s = SvPV(val, *lenp);
1237               U8 c = *(U8*)s;
1238               if (*lenp > 1 || UNI_IS_INVARIANT(c))
1239                    Copy(s, ustrp, *lenp, U8);
1240               else {
1241                    /* something in the 0x80..0xFF range */
1242                    ustrp[0] = UTF8_EIGHT_BIT_HI(c);
1243                    ustrp[1] = UTF8_EIGHT_BIT_LO(c);
1244                    *lenp = 2;
1245               }
1246               return 0;
1247          }
1248     }
1249     *lenp = UNISKIP(uv);
1250     uvuni_to_utf8(ustrp, uv);
1251     return uv;
1252 }
1253
1254 UV
1255 Perl_to_utf8_upper(pTHX_ U8 *p, U8* ustrp, STRLEN *lenp)
1256 {
1257     return Perl_to_utf8_case(aTHX_ p, ustrp, lenp,
1258                              &PL_utf8_toupper, "ToUpper", "utf8::ToSpecUpper");
1259 }
1260
1261 UV
1262 Perl_to_utf8_title(pTHX_ U8 *p, U8* ustrp, STRLEN *lenp)
1263 {
1264     return Perl_to_utf8_case(aTHX_ p, ustrp, lenp,
1265                              &PL_utf8_totitle, "ToTitle", "utf8::ToSpecTitle");
1266 }
1267
1268 UV
1269 Perl_to_utf8_lower(pTHX_ U8 *p, U8* ustrp, STRLEN *lenp)
1270 {
1271     return Perl_to_utf8_case(aTHX_ p, ustrp, lenp,
1272                              &PL_utf8_tolower, "ToLower", "utf8::ToSpecLower");
1273 }
1274
1275 UV
1276 Perl_to_utf8_fold(pTHX_ U8 *p, U8* ustrp, STRLEN *lenp)
1277 {
1278     return Perl_to_utf8_case(aTHX_ p, ustrp, lenp,
1279                              &PL_utf8_tofold, "ToFold", "utf8::ToSpecFold");
1280 }
1281
1282 /* a "swash" is a swatch hash */
1283
1284 SV*
1285 Perl_swash_init(pTHX_ char* pkg, char* name, SV *listsv, I32 minbits, I32 none)
1286 {
1287     SV* retval;
1288     SV* tokenbufsv = sv_2mortal(NEWSV(0,0));
1289     dSP;
1290     HV *stash = gv_stashpvn(pkg, strlen(pkg), FALSE);
1291     SV* errsv_save;
1292
1293     if (!gv_fetchmeth(stash, "SWASHNEW", 8, -1)) {      /* demand load utf8 */
1294         ENTER;
1295         errsv_save = newSVsv(ERRSV);
1296         Perl_load_module(aTHX_ PERL_LOADMOD_NOIMPORT, newSVpv(pkg,0), Nullsv);
1297         if (!SvTRUE(ERRSV))
1298             sv_setsv(ERRSV, errsv_save);
1299         SvREFCNT_dec(errsv_save);
1300         LEAVE;
1301     }
1302     SPAGAIN;
1303     PUSHSTACKi(PERLSI_MAGIC);
1304     PUSHMARK(SP);
1305     EXTEND(SP,5);
1306     PUSHs(sv_2mortal(newSVpvn(pkg, strlen(pkg))));
1307     PUSHs(sv_2mortal(newSVpvn(name, strlen(name))));
1308     PUSHs(listsv);
1309     PUSHs(sv_2mortal(newSViv(minbits)));
1310     PUSHs(sv_2mortal(newSViv(none)));
1311     PUTBACK;
1312     ENTER;
1313     SAVEI32(PL_hints);
1314     PL_hints = 0;
1315     save_re_context();
1316     if (PL_curcop == &PL_compiling)
1317         /* XXX ought to be handled by lex_start */
1318         sv_setpv(tokenbufsv, PL_tokenbuf);
1319     errsv_save = newSVsv(ERRSV);
1320     if (call_method("SWASHNEW", G_SCALAR))
1321         retval = newSVsv(*PL_stack_sp--);
1322     else
1323         retval = &PL_sv_undef;
1324     if (!SvTRUE(ERRSV))
1325         sv_setsv(ERRSV, errsv_save);
1326     SvREFCNT_dec(errsv_save);
1327     LEAVE;
1328     POPSTACK;
1329     if (PL_curcop == &PL_compiling) {
1330         STRLEN len;
1331         char* pv = SvPV(tokenbufsv, len);
1332
1333         Copy(pv, PL_tokenbuf, len+1, char);
1334         PL_curcop->op_private = PL_hints;
1335     }
1336     if (!SvROK(retval) || SvTYPE(SvRV(retval)) != SVt_PVHV)
1337         Perl_croak(aTHX_ "SWASHNEW didn't return an HV ref");
1338     return retval;
1339 }
1340
1341
1342 /* This API is wrong for special case conversions since we may need to
1343  * return several Unicode characters for a single Unicode character
1344  * (see lib/unicore/SpecCase.txt) The SWASHGET in lib/utf8_heavy.pl is
1345  * the lower-level routine, and it is similarly broken for returning
1346  * multiple values.  --jhi */
1347 UV
1348 Perl_swash_fetch(pTHX_ SV *sv, U8 *ptr, bool do_utf8)
1349 {
1350     HV* hv = (HV*)SvRV(sv);
1351     U32 klen;
1352     U32 off;
1353     STRLEN slen;
1354     STRLEN needents;
1355     U8 *tmps = NULL;
1356     U32 bit;
1357     SV *retval;
1358     U8 tmputf8[2];
1359     UV c = NATIVE_TO_ASCII(*ptr);
1360
1361     if (!do_utf8 && !UNI_IS_INVARIANT(c)) {
1362         tmputf8[0] = UTF8_EIGHT_BIT_HI(c);
1363         tmputf8[1] = UTF8_EIGHT_BIT_LO(c);
1364         ptr = tmputf8;
1365     }
1366     /* Given a UTF-X encoded char 0xAA..0xYY,0xZZ
1367      * then the "swatch" is a vec() for al the chars which start
1368      * with 0xAA..0xYY
1369      * So the key in the hash (klen) is length of encoded char -1
1370      */
1371     klen = UTF8SKIP(ptr) - 1;
1372     off  = ptr[klen];
1373
1374     if (klen == 0)
1375      {
1376       /* If char in invariant then swatch is for all the invariant chars
1377        * In both UTF-8 and UTF8-MOD that happens to be UTF_CONTINUATION_MARK
1378        */
1379       needents = UTF_CONTINUATION_MARK;
1380       off      = NATIVE_TO_UTF(ptr[klen]);
1381      }
1382     else
1383      {
1384       /* If char is encoded then swatch is for the prefix */
1385       needents = (1 << UTF_ACCUMULATION_SHIFT);
1386       off      = NATIVE_TO_UTF(ptr[klen]) & UTF_CONTINUATION_MASK;
1387      }
1388
1389     /*
1390      * This single-entry cache saves about 1/3 of the utf8 overhead in test
1391      * suite.  (That is, only 7-8% overall over just a hash cache.  Still,
1392      * it's nothing to sniff at.)  Pity we usually come through at least
1393      * two function calls to get here...
1394      *
1395      * NB: this code assumes that swatches are never modified, once generated!
1396      */
1397
1398     if (hv   == PL_last_swash_hv &&
1399         klen == PL_last_swash_klen &&
1400         (!klen || memEQ((char *)ptr, (char *)PL_last_swash_key, klen)) )
1401     {
1402         tmps = PL_last_swash_tmps;
1403         slen = PL_last_swash_slen;
1404     }
1405     else {
1406         /* Try our second-level swatch cache, kept in a hash. */
1407         SV** svp = hv_fetch(hv, (char*)ptr, klen, FALSE);
1408
1409         /* If not cached, generate it via utf8::SWASHGET */
1410         if (!svp || !SvPOK(*svp) || !(tmps = (U8*)SvPV(*svp, slen))) {
1411             dSP;
1412             /* We use utf8n_to_uvuni() as we want an index into
1413                Unicode tables, not a native character number.
1414              */
1415             UV code_point = utf8n_to_uvuni(ptr, UTF8_MAXLEN, NULL, 0);
1416             SV *errsv_save;
1417             ENTER;
1418             SAVETMPS;
1419             save_re_context();
1420             PUSHSTACKi(PERLSI_MAGIC);
1421             PUSHMARK(SP);
1422             EXTEND(SP,3);
1423             PUSHs((SV*)sv);
1424             /* On EBCDIC & ~(0xA0-1) isn't a useful thing to do */
1425             PUSHs(sv_2mortal(newSViv((klen) ?
1426                                      (code_point & ~(needents - 1)) : 0)));
1427             PUSHs(sv_2mortal(newSViv(needents)));
1428             PUTBACK;
1429             errsv_save = newSVsv(ERRSV);
1430             if (call_method("SWASHGET", G_SCALAR))
1431                 retval = newSVsv(*PL_stack_sp--);
1432             else
1433                 retval = &PL_sv_undef;
1434             if (!SvTRUE(ERRSV))
1435                 sv_setsv(ERRSV, errsv_save);
1436             SvREFCNT_dec(errsv_save);
1437             POPSTACK;
1438             FREETMPS;
1439             LEAVE;
1440             if (PL_curcop == &PL_compiling)
1441                 PL_curcop->op_private = PL_hints;
1442
1443             svp = hv_store(hv, (char*)ptr, klen, retval, 0);
1444
1445             if (!svp || !(tmps = (U8*)SvPV(*svp, slen)) || (slen << 3) < needents)
1446                 Perl_croak(aTHX_ "SWASHGET didn't return result of proper length");
1447         }
1448
1449         PL_last_swash_hv = hv;
1450         PL_last_swash_klen = klen;
1451         PL_last_swash_tmps = tmps;
1452         PL_last_swash_slen = slen;
1453         if (klen)
1454             Copy(ptr, PL_last_swash_key, klen, U8);
1455     }
1456
1457     switch ((int)((slen << 3) / needents)) {
1458     case 1:
1459         bit = 1 << (off & 7);
1460         off >>= 3;
1461         return (tmps[off] & bit) != 0;
1462     case 8:
1463         return tmps[off];
1464     case 16:
1465         off <<= 1;
1466         return (tmps[off] << 8) + tmps[off + 1] ;
1467     case 32:
1468         off <<= 2;
1469         return (tmps[off] << 24) + (tmps[off+1] << 16) + (tmps[off+2] << 8) + tmps[off + 3] ;
1470     }
1471     Perl_croak(aTHX_ "panic: swash_fetch");
1472     return 0;
1473 }
1474
1475
1476 /*
1477 =for apidoc A|U8 *|uvchr_to_utf8|U8 *d|UV uv
1478
1479 Adds the UTF8 representation of the Native codepoint C<uv> to the end
1480 of the string C<d>; C<d> should be have at least C<UTF8_MAXLEN+1> free
1481 bytes available. The return value is the pointer to the byte after the
1482 end of the new character. In other words,
1483
1484     d = uvchr_to_utf8(d, uv);
1485
1486 is the recommended wide native character-aware way of saying
1487
1488     *(d++) = uv;
1489
1490 =cut
1491 */
1492
1493 /* On ASCII machines this is normally a macro but we want a
1494    real function in case XS code wants it
1495 */
1496 #undef Perl_uvchr_to_utf8
1497 U8 *
1498 Perl_uvchr_to_utf8(pTHX_ U8 *d, UV uv)
1499 {
1500     return Perl_uvuni_to_utf8(aTHX_ d, NATIVE_TO_UNI(uv));
1501 }
1502
1503
1504 /*
1505 =for apidoc A|UV|utf8n_to_uvchr|U8 *s|STRLEN curlen|STRLEN *retlen|U32 flags
1506
1507 Returns the native character value of the first character in the string C<s>
1508 which is assumed to be in UTF8 encoding; C<retlen> will be set to the
1509 length, in bytes, of that character.
1510
1511 Allows length and flags to be passed to low level routine.
1512
1513 =cut
1514 */
1515 /* On ASCII machines this is normally a macro but we want a
1516    real function in case XS code wants it
1517 */
1518 #undef Perl_utf8n_to_uvchr
1519 UV
1520 Perl_utf8n_to_uvchr(pTHX_ U8 *s, STRLEN curlen, STRLEN *retlen, U32 flags)
1521 {
1522     UV uv = Perl_utf8n_to_uvuni(aTHX_ s, curlen, retlen, flags);
1523     return UNI_TO_NATIVE(uv);
1524 }
1525
1526 char *
1527 Perl_pv_uni_display(pTHX_ SV *dsv, U8 *spv, STRLEN len, STRLEN pvlim, UV flags)
1528 {
1529     int truncated = 0;
1530     char *s, *e;
1531
1532     sv_setpvn(dsv, "", 0);
1533     for (s = (char *)spv, e = s + len; s < e; s += UTF8SKIP(s)) {
1534          UV u;
1535          if (pvlim && SvCUR(dsv) >= pvlim) {
1536               truncated++;
1537               break;
1538          }
1539          u = utf8_to_uvchr((U8*)s, 0);
1540          Perl_sv_catpvf(aTHX_ dsv, "\\x{%"UVxf"}", u);
1541     }
1542     if (truncated)
1543          sv_catpvn(dsv, "...", 3);
1544
1545     return SvPVX(dsv);
1546 }
1547
1548 char *
1549 Perl_sv_uni_display(pTHX_ SV *dsv, SV *ssv, STRLEN pvlim, UV flags)
1550 {
1551      return Perl_pv_uni_display(aTHX_ dsv, (U8*)SvPVX(ssv), SvCUR(ssv),
1552                                 pvlim, flags);
1553 }
1554
1555 I32
1556 Perl_ibcmp_utf8(pTHX_ const char *s1, bool u1, const char *s2, bool u2, register I32 len)
1557 {
1558      register U8 *a = (U8*)s1;
1559      register U8 *b = (U8*)s2;
1560      STRLEN la, lb;
1561      UV ca, cb;
1562      STRLEN ulen1, ulen2;
1563      U8 tmpbuf1[UTF8_MAXLEN*3+1];
1564      U8 tmpbuf2[UTF8_MAXLEN*3+1];
1565
1566      while (len) {
1567           if (u1)
1568                ca = utf8_to_uvchr((U8*)a, &la);
1569           else {
1570                ca = *a;
1571                la = 1;
1572           }
1573           if (u2)
1574                cb = utf8_to_uvchr((U8*)b, &lb);
1575           else {
1576                cb = *b;
1577                lb = 1;
1578           }
1579           if (ca != cb) {
1580                if (u1)
1581                     to_uni_fold(NATIVE_TO_UNI(ca), tmpbuf1, &ulen1);
1582                else
1583                     ulen1 = 1;
1584                if (u2)
1585                     to_uni_fold(NATIVE_TO_UNI(cb), tmpbuf2, &ulen2);
1586                else
1587                     ulen2 = 1;
1588                if (ulen1 != ulen2
1589                    || (ulen1 == 1 && PL_fold[ca] != PL_fold[cb])
1590                    || memNE((char *)tmpbuf1, (char *)tmpbuf2, ulen1))
1591                     return 1;
1592           }
1593           a += la;
1594           b += lb;
1595     }
1596     return 0;
1597 }
1598