Unicode properties: fix L& (the #12319 didn't allow L&,
[p5sagit/p5-mst-13.2.git] / utf8.h
1 /*    utf8.h
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 /* Use UTF-8 as the default script encoding?
11  * Turning this on will break scripts having non-UTF8 binary
12  * data (such as Latin-1) in string literals. */
13 #ifdef USE_UTF8_SCRIPTS
14 #    define USE_UTF8_IN_NAMES (!IN_BYTES)
15 #else
16 #    define USE_UTF8_IN_NAMES (PL_hints & HINT_UTF8)
17 #endif
18
19 #ifdef EBCDIC
20 /* The equivalent of these macros but implementing UTF-EBCDIC
21    are in the following header file:
22  */
23
24 #include "utfebcdic.h"
25 #else
26 START_EXTERN_C
27
28 #ifdef DOINIT
29 EXTCONST unsigned char PL_utf8skip[] = {
30 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
31 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
32 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
33 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
34 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus */
35 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus */
36 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2, /* scripts */
37 3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,4,4,4,4,4,4,4,4,5,5,5,5,6,6,     /* cjk etc. */
38 7,13, /* Perl extended (not UTF-8).  Up to 72bit allowed (64-bit + reserved). */
39 };
40 #else
41 EXTCONST unsigned char PL_utf8skip[];
42 #endif
43
44 END_EXTERN_C
45 #define UTF8SKIP(s) PL_utf8skip[*(U8*)s]
46
47 /* Native character to iso-8859-1 */
48 #define NATIVE_TO_ASCII(ch)      (ch)
49 #define ASCII_TO_NATIVE(ch)      (ch)
50 /* Transform after encoding */
51 #define NATIVE_TO_UTF(ch)        (ch)
52 #define UTF_TO_NATIVE(ch)        (ch)
53 /* Transforms in wide UV chars */
54 #define UNI_TO_NATIVE(ch)        (ch)
55 #define NATIVE_TO_UNI(ch)        (ch)
56 /* Transforms in invariant space */
57 #define NATIVE_TO_NEED(enc,ch)   (ch)
58 #define ASCII_TO_NEED(enc,ch)    (ch)
59
60 /* As there are no translations avoid the function wrapper */
61 #define Perl_utf8n_to_uvchr Perl_utf8n_to_uvuni
62 #define Perl_uvchr_to_utf8  Perl_uvuni_to_utf8
63
64 /*
65
66  The following table is from Unicode 3.1.
67
68  Code Points            1st Byte  2nd Byte  3rd Byte  4th Byte
69
70    U+0000..U+007F       00..7F   
71    U+0080..U+07FF       C2..DF    80..BF   
72    U+0800..U+0FFF       E0        A0..BF    80..BF  
73    U+1000..U+FFFF       E1..EF    80..BF    80..BF  
74   U+10000..U+3FFFF      F0        90..BF    80..BF    80..BF
75   U+40000..U+FFFFF      F1..F3    80..BF    80..BF    80..BF
76  U+100000..U+10FFFF     F4        80..8F    80..BF    80..BF
77
78  */
79
80 #define UNI_IS_INVARIANT(c)             (((UV)c) <  0x80)
81 #define UTF8_IS_INVARIANT(c)            UNI_IS_INVARIANT(NATIVE_TO_UTF(c))
82 #define NATIVE_IS_INVARIANT(c)          UNI_IS_INVARIANT(NATIVE_TO_ASCII(c))
83 #define UTF8_IS_START(c)                (((U8)c) >= 0xc0 && (((U8)c) <= 0xfd))
84 #define UTF8_IS_CONTINUATION(c)         (((U8)c) >= 0x80 && (((U8)c) <= 0xbf))
85 #define UTF8_IS_CONTINUED(c)            (((U8)c) &  0x80)
86 #define UTF8_IS_DOWNGRADEABLE_START(c)  (((U8)c & 0xfc) == 0xc0)
87
88 #define UTF_START_MARK(len) ((len >  7) ? 0xFF : (0xFE << (7-len)))
89 #define UTF_START_MASK(len) ((len >= 7) ? 0x00 : (0x1F >> (len-2)))
90
91 #define UTF_CONTINUATION_MARK           0x80
92 #define UTF_ACCUMULATION_SHIFT          6
93 #define UTF_CONTINUATION_MASK           ((U8)0x3f)
94 #define UTF8_ACCUMULATE(old, new)       (((old) << UTF_ACCUMULATION_SHIFT) | (((U8)new) & UTF_CONTINUATION_MASK))
95
96 #define UTF8_EIGHT_BIT_HI(c)    ((((U8)(c))>>UTF_ACCUMULATION_SHIFT)|UTF_START_MARK(2))
97 #define UTF8_EIGHT_BIT_LO(c)    (((((U8)(c)))&UTF_CONTINUATION_MASK)|UTF_CONTINUATION_MARK)
98
99 #ifdef HAS_QUAD
100 #define UNISKIP(uv) ( (uv) < 0x80           ? 1 : \
101                       (uv) < 0x800          ? 2 : \
102                       (uv) < 0x10000        ? 3 : \
103                       (uv) < 0x200000       ? 4 : \
104                       (uv) < 0x4000000      ? 5 : \
105                       (uv) < 0x80000000     ? 6 : \
106                       (uv) < UTF8_QUAD_MAX ? 7 : 13 )
107 #else
108 /* No, I'm not even going to *TRY* putting #ifdef inside a #define */
109 #define UNISKIP(uv) ( (uv) < 0x80           ? 1 : \
110                       (uv) < 0x800          ? 2 : \
111                       (uv) < 0x10000        ? 3 : \
112                       (uv) < 0x200000       ? 4 : \
113                       (uv) < 0x4000000      ? 5 : \
114                       (uv) < 0x80000000     ? 6 : 7 )
115 #endif
116
117 /*
118  * Note: we try to be careful never to call the isXXX_utf8() functions
119  * unless we're pretty sure we've seen the beginning of a UTF-8 character
120  * (that is, the two high bits are set).  Otherwise we risk loading in the
121  * heavy-duty SWASHINIT and SWASHGET routines unnecessarily.
122  */
123 #define isIDFIRST_lazy_if(p,c) ((IN_BYTES || (!c || (*((U8*)p) < 0xc0))) \
124                                 ? isIDFIRST(*(p)) \
125                                 : isIDFIRST_utf8((U8*)p))
126 #define isALNUM_lazy_if(p,c)   ((IN_BYTES || (!c || (*((U8*)p) < 0xc0))) \
127                                 ? isALNUM(*(p)) \
128                                 : isALNUM_utf8((U8*)p))
129
130
131 #endif /* EBCDIC vs ASCII */
132
133 /* Rest of these are attributes of Unicode and perl's internals rather than the encoding */
134
135 #define isIDFIRST_lazy(p)       isIDFIRST_lazy_if(p,1)
136 #define isALNUM_lazy(p)         isALNUM_lazy_if(p,1)
137
138 #define UTF8_MAXLEN 13 /* how wide can a single UTF8 encoded character become */
139
140 #define IN_BYTES (PL_curcop->op_private & HINT_BYTES)
141 #define DO_UTF8(sv) (SvUTF8(sv) && !IN_BYTES)
142
143 #define UTF8_ALLOW_EMPTY                0x0001
144 #define UTF8_ALLOW_CONTINUATION         0x0002
145 #define UTF8_ALLOW_NON_CONTINUATION     0x0004
146 #define UTF8_ALLOW_FE_FF                0x0008
147 #define UTF8_ALLOW_SHORT                0x0010
148 #define UTF8_ALLOW_SURROGATE            0x0020
149 #define UTF8_ALLOW_BOM                  0x0040
150 #define UTF8_ALLOW_FFFF                 0x0080
151 #define UTF8_ALLOW_LONG                 0x0100
152 #define UTF8_ALLOW_ANYUV                (UTF8_ALLOW_EMPTY|UTF8_ALLOW_FE_FF|\
153                                          UTF8_ALLOW_SURROGATE|UTF8_ALLOW_BOM|\
154                                          UTF8_ALLOW_FFFF|UTF8_ALLOW_LONG)
155 #define UTF8_ALLOW_ANY                  0x00ff
156 #define UTF8_CHECK_ONLY                 0x0200
157
158 #define UNICODE_SURROGATE_FIRST         0xd800
159 #define UNICODE_SURROGATE_LAST          0xdfff
160 #define UNICODE_REPLACEMENT             0xfffd
161 #define UNICODE_BYTER_ORDER_MARK        0xfffe
162 #define UNICODE_ILLEGAL                 0xffff
163
164 #define UNICODE_IS_SURROGATE(c)         ((c) >= UNICODE_SURROGATE_FIRST && \
165                                          (c) <= UNICODE_SURROGATE_LAST)
166 #define UNICODE_IS_REPLACEMENT(c)       ((c) == UNICODE_REPLACEMENT)
167 #define UNICODE_IS_BYTE_ORDER_MARK(c)   ((c) == UNICODE_BYTER_ORDER_MARK)
168 #define UNICODE_IS_ILLEGAL(c)           ((c) == UNICODE_ILLEGAL)
169
170 #ifdef HAS_QUAD
171 #    define UTF8_QUAD_MAX       UINT64_C(0x1000000000)
172 #endif
173
174 #define UTF8_IS_ASCII(c) UTF8_IS_INVARIANT(c)