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)