[perl #59908] \x, \0, and \N{} not ok in double-quotish when followed by > \x100
[p5sagit/p5-mst-13.2.git] / utf8.h
1 /*    utf8.h
2  *
3  *    Copyright (C) 2000, 2001, 2002, 2005, 2006, 2007, 2009 by Larry Wall and others
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-UTF-8 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 /* Source backward compatibility. */
20 #define uvuni_to_utf8(d, uv)            uvuni_to_utf8_flags(d, uv, 0)
21 #define is_utf8_string_loc(s, len, ep)  is_utf8_string_loclen(s, len, ep, 0)
22
23 #ifdef EBCDIC
24 /* The equivalent of these macros but implementing UTF-EBCDIC
25    are in the following header file:
26  */
27
28 #include "utfebcdic.h"
29
30 #else
31 START_EXTERN_C
32
33 #ifdef DOINIT
34 EXTCONST unsigned char PL_utf8skip[] = {
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, /* ascii */
36 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 */
37 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 */
38 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 */
39 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 */
40 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 */
41 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 */
42 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. */
43 7,13, /* Perl extended (not UTF-8).  Up to 72bit allowed (64-bit + reserved). */
44 };
45 #else
46 EXTCONST unsigned char PL_utf8skip[];
47 #endif
48
49 END_EXTERN_C
50 #define UTF8SKIP(s) PL_utf8skip[*(const U8*)(s)]
51
52 /* Native character to iso-8859-1 */
53 #define NATIVE_TO_ASCII(ch)      (ch)
54 #define NATIVE8_TO_UNI(ch)        (ch)
55 #define ASCII_TO_NATIVE(ch)      (ch)
56 /* Transform after encoding */
57 #define NATIVE_TO_UTF(ch)        (ch)
58 #define UTF_TO_NATIVE(ch)        (ch)
59 /* Transforms in wide UV chars */
60 #define UNI_TO_NATIVE(ch)        (ch)
61 #define NATIVE_TO_UNI(ch)        (ch)
62 /* Transforms in invariant space */
63 #define NATIVE_TO_NEED(enc,ch)   (ch)
64 #define ASCII_TO_NEED(enc,ch)    (ch)
65
66 /* As there are no translations avoid the function wrapper */
67 #define utf8n_to_uvchr utf8n_to_uvuni
68 #define uvchr_to_utf8  uvuni_to_utf8
69
70 /*
71
72  The following table is from Unicode 3.2.
73
74  Code Points            1st Byte  2nd Byte  3rd Byte  4th Byte
75
76    U+0000..U+007F       00..7F
77    U+0080..U+07FF       C2..DF    80..BF
78    U+0800..U+0FFF       E0        A0..BF    80..BF
79    U+1000..U+CFFF       E1..EC    80..BF    80..BF
80    U+D000..U+D7FF       ED        80..9F    80..BF
81    U+D800..U+DFFF       ******* ill-formed *******
82    U+E000..U+FFFF       EE..EF    80..BF    80..BF
83   U+10000..U+3FFFF      F0        90..BF    80..BF    80..BF
84   U+40000..U+FFFFF      F1..F3    80..BF    80..BF    80..BF
85  U+100000..U+10FFFF     F4        80..8F    80..BF    80..BF
86
87 Note the A0..BF in U+0800..U+0FFF, the 80..9F in U+D000...U+D7FF,
88 the 90..BF in U+10000..U+3FFFF, and the 80...8F in U+100000..U+10FFFF.
89 The "gaps" are caused by legal UTF-8 avoiding non-shortest encodings:
90 it is technically possible to UTF-8-encode a single code point in different
91 ways, but that is explicitly forbidden, and the shortest possible encoding
92 should always be used (and that is what Perl does).
93
94  */
95
96 /*
97  Another way to look at it, as bits:
98
99  Code Points                    1st Byte   2nd Byte  3rd Byte  4th Byte
100
101                     0aaaaaaa     0aaaaaaa
102             00000bbbbbaaaaaa     110bbbbb  10aaaaaa
103             ccccbbbbbbaaaaaa     1110cccc  10bbbbbb  10aaaaaa
104   00000dddccccccbbbbbbaaaaaa     11110ddd  10cccccc  10bbbbbb  10aaaaaa
105
106 As you can see, the continuation bytes all begin with C<10>, and the
107 leading bits of the start byte tell how many bytes the are in the
108 encoded character.
109
110 */
111
112
113 #define UNI_IS_INVARIANT(c)             (((UV)c) <  0x80)
114 #define UTF8_IS_INVARIANT(c)            UNI_IS_INVARIANT(NATIVE_TO_UTF(c))
115 #define NATIVE_IS_INVARIANT(c)          UNI_IS_INVARIANT(NATIVE_TO_ASCII(c))
116 #define UTF8_IS_START(c)                (((U8)c) >= 0xc0 && (((U8)c) <= 0xfd))
117 #define UTF8_IS_CONTINUATION(c)         (((U8)c) >= 0x80 && (((U8)c) <= 0xbf))
118 #define UTF8_IS_CONTINUED(c)            (((U8)c) &  0x80)
119 #define UTF8_IS_DOWNGRADEABLE_START(c)  (((U8)c & 0xfc) == 0xc0)
120
121 #define UTF_START_MARK(len) ((len >  7) ? 0xFF : (0xFE << (7-len)))
122 #define UTF_START_MASK(len) ((len >= 7) ? 0x00 : (0x1F >> (len-2)))
123
124 #define UTF_CONTINUATION_MARK           0x80
125 #define UTF_ACCUMULATION_SHIFT          6
126 #define UTF_CONTINUATION_MASK           ((U8)0x3f)
127 #define UTF8_ACCUMULATE(old, new)       (((old) << UTF_ACCUMULATION_SHIFT) | (((U8)new) & UTF_CONTINUATION_MASK))
128
129 #define UTF8_EIGHT_BIT_HI(c)    ((((U8)(c))>>UTF_ACCUMULATION_SHIFT)|UTF_START_MARK(2))
130 #define UTF8_EIGHT_BIT_LO(c)    (((((U8)(c)))&UTF_CONTINUATION_MASK)|UTF_CONTINUATION_MARK)
131
132 #ifdef HAS_QUAD
133 #define UNISKIP(uv) ( (uv) < 0x80           ? 1 : \
134                       (uv) < 0x800          ? 2 : \
135                       (uv) < 0x10000        ? 3 : \
136                       (uv) < 0x200000       ? 4 : \
137                       (uv) < 0x4000000      ? 5 : \
138                       (uv) < 0x80000000     ? 6 : \
139                       (uv) < UTF8_QUAD_MAX ? 7 : 13 )
140 #else
141 /* No, I'm not even going to *TRY* putting #ifdef inside a #define */
142 #define UNISKIP(uv) ( (uv) < 0x80           ? 1 : \
143                       (uv) < 0x800          ? 2 : \
144                       (uv) < 0x10000        ? 3 : \
145                       (uv) < 0x200000       ? 4 : \
146                       (uv) < 0x4000000      ? 5 : \
147                       (uv) < 0x80000000     ? 6 : 7 )
148 #endif
149
150 /*
151  * Note: we try to be careful never to call the isXXX_utf8() functions
152  * unless we're pretty sure we've seen the beginning of a UTF-8 character
153  * (that is, the two high bits are set).  Otherwise we risk loading in the
154  * heavy-duty swash_init and swash_fetch routines unnecessarily.
155  */
156 #define isIDFIRST_lazy_if(p,c) ((IN_BYTES || (!c || (*((const U8*)p) < 0xc0))) \
157                                 ? isIDFIRST(*(p)) \
158                                 : isIDFIRST_utf8((const U8*)p))
159 #define isALNUM_lazy_if(p,c)   ((IN_BYTES || (!c || (*((const U8*)p) < 0xc0))) \
160                                 ? isALNUM(*(p)) \
161                                 : isALNUM_utf8((const U8*)p))
162
163
164 #endif /* EBCDIC vs ASCII */
165
166 /* Rest of these are attributes of Unicode and perl's internals rather than the encoding */
167
168 #define isIDFIRST_lazy(p)       isIDFIRST_lazy_if(p,1)
169 #define isALNUM_lazy(p)         isALNUM_lazy_if(p,1)
170
171 #define UTF8_MAXBYTES 13
172 /* How wide can a single UTF-8 encoded character become in bytes.
173  * NOTE: Strictly speaking Perl's UTF-8 should not be called UTF-8
174  * since UTF-8 is an encoding of Unicode and given Unicode's current
175  * upper limit only four bytes is possible.  Perl thinks of UTF-8
176  * as a way to encode non-negative integers in a binary format. */
177 #define UTF8_MAXLEN UTF8_MAXBYTES
178
179 #define UTF8_MAXLEN_UCLC 3              /* Obsolete, do not use. */
180 #define UTF8_MAXLEN_UCLC_MULT 39        /* Obsolete, do not use. */
181 #define UTF8_MAXLEN_FOLD 3              /* Obsolete, do not use. */
182 #define UTF8_MAXLEN_FOLD_MULT 39        /* Obsolete, do not use. */
183
184 /* The maximum number of UTF-8 bytes a single Unicode character can
185  * uppercase/lowercase/fold into; this number depends on the Unicode
186  * version.  An example of maximal expansion is the U+03B0 which
187  * uppercases to U+03C5 U+0308 U+0301.  The Unicode databases that
188  * tell these things are UnicodeDatabase.txt, CaseFolding.txt, and
189  * SpecialCasing.txt. */
190 #define UTF8_MAXBYTES_CASE      6
191
192 #define IN_BYTES (CopHINTS_get(PL_curcop) & HINT_BYTES)
193 #define DO_UTF8(sv) (SvUTF8(sv) && !IN_BYTES)
194
195 #define UTF8_ALLOW_EMPTY                0x0001
196 #define UTF8_ALLOW_CONTINUATION         0x0002
197 #define UTF8_ALLOW_NON_CONTINUATION     0x0004
198 #define UTF8_ALLOW_FE_FF                0x0008 /* Allow above 0x7fffFFFF */
199 #define UTF8_ALLOW_SHORT                0x0010
200 #define UTF8_ALLOW_SURROGATE            0x0020
201 #define UTF8_ALLOW_FFFF                 0x0040 /* Allow UNICODE_ILLEGAL */
202 #define UTF8_ALLOW_LONG                 0x0080
203 #define UTF8_ALLOW_ANYUV                (UTF8_ALLOW_EMPTY|UTF8_ALLOW_FE_FF|\
204                                          UTF8_ALLOW_SURROGATE|UTF8_ALLOW_FFFF)
205 #define UTF8_ALLOW_ANY                  0x00FF
206 #define UTF8_CHECK_ONLY                 0x0200
207 #define UTF8_ALLOW_DEFAULT              (ckWARN(WARN_UTF8) ? 0 : \
208                                          UTF8_ALLOW_ANYUV)
209
210 #define UNICODE_SURROGATE_FIRST         0xD800
211 #define UNICODE_SURROGATE_LAST          0xDFFF
212 #define UNICODE_REPLACEMENT             0xFFFD
213 #define UNICODE_BYTE_ORDER_MARK         0xFEFF
214 #define UNICODE_ILLEGAL                 0xFFFF
215
216 /* Though our UTF-8 encoding can go beyond this,
217  * let's be conservative and do as Unicode 5.1 says. */
218 #define PERL_UNICODE_MAX        0x10FFFF
219
220 #define UNICODE_ALLOW_SURROGATE 0x0001  /* Allow UTF-16 surrogates (EVIL) */
221 #define UNICODE_ALLOW_FDD0      0x0002  /* Allow the U+FDD0...U+FDEF */
222 #define UNICODE_ALLOW_FFFF      0x0004  /* Allow U+FFF[EF], U+1FFF[EF], ... */
223 #define UNICODE_ALLOW_SUPER     0x0008  /* Allow past 0x10FFFF */
224 #define UNICODE_ALLOW_ANY       0x000F
225
226 #define UNICODE_IS_SURROGATE(c)         ((c) >= UNICODE_SURROGATE_FIRST && \
227                                          (c) <= UNICODE_SURROGATE_LAST)
228 #define UNICODE_IS_REPLACEMENT(c)       ((c) == UNICODE_REPLACEMENT)
229 #define UNICODE_IS_BYTE_ORDER_MARK(c)   ((c) == UNICODE_BYTE_ORDER_MARK)
230 #define UNICODE_IS_ILLEGAL(c)           ((c) == UNICODE_ILLEGAL)
231
232 #ifdef HAS_QUAD
233 #    define UTF8_QUAD_MAX       UINT64_C(0x1000000000)
234 #endif
235
236 #define UTF8_IS_ASCII(c) UTF8_IS_INVARIANT(c)
237
238 #define UNICODE_LATIN_SMALL_LETTER_SHARP_S      0x00DF
239 #define UNICODE_GREEK_CAPITAL_LETTER_SIGMA      0x03A3
240 #define UNICODE_GREEK_SMALL_LETTER_FINAL_SIGMA  0x03C2
241 #define UNICODE_GREEK_SMALL_LETTER_SIGMA        0x03C3
242
243 #define EBCDIC_LATIN_SMALL_LETTER_SHARP_S       0x0059
244
245 #define UNI_DISPLAY_ISPRINT     0x0001
246 #define UNI_DISPLAY_BACKSLASH   0x0002
247 #define UNI_DISPLAY_QQ          (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
248 #define UNI_DISPLAY_REGEX       (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
249
250 #ifdef EBCDIC
251 #   define ANYOF_FOLD_SHARP_S(node, input, end) \
252         (ANYOF_BITMAP_TEST(node, EBCDIC_LATIN_SMALL_LETTER_SHARP_S) && \
253          (ANYOF_FLAGS(node) & ANYOF_UNICODE) && \
254          (ANYOF_FLAGS(node) & ANYOF_FOLD) && \
255          ((end) > (input) + 1) && \
256          toLOWER((input)[0]) == 's' && \
257          toLOWER((input)[1]) == 's')
258 #else
259 #   define ANYOF_FOLD_SHARP_S(node, input, end) \
260         (ANYOF_BITMAP_TEST(node, UNICODE_LATIN_SMALL_LETTER_SHARP_S) && \
261          (ANYOF_FLAGS(node) & ANYOF_UNICODE) && \
262          (ANYOF_FLAGS(node) & ANYOF_FOLD) && \
263          ((end) > (input) + 1) && \
264          toLOWER((input)[0]) == 's' && \
265          toLOWER((input)[1]) == 's')
266 #endif
267 #define SHARP_S_SKIP 2
268
269 #ifdef EBCDIC
270 /* IS_UTF8_CHAR() is not ported to EBCDIC */
271 #else
272 #define IS_UTF8_CHAR_1(p)       \
273         ((p)[0] <= 0x7F)
274 #define IS_UTF8_CHAR_2(p)       \
275         ((p)[0] >= 0xC2 && (p)[0] <= 0xDF && \
276          (p)[1] >= 0x80 && (p)[1] <= 0xBF)
277 #define IS_UTF8_CHAR_3a(p)      \
278         ((p)[0] == 0xE0 && \
279          (p)[1] >= 0xA0 && (p)[1] <= 0xBF && \
280          (p)[2] >= 0x80 && (p)[2] <= 0xBF)
281 #define IS_UTF8_CHAR_3b(p)      \
282         ((p)[0] >= 0xE1 && (p)[0] <= 0xEC && \
283          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
284          (p)[2] >= 0x80 && (p)[2] <= 0xBF)
285 #define IS_UTF8_CHAR_3c(p)      \
286         ((p)[0] == 0xED && \
287          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
288          (p)[2] >= 0x80 && (p)[2] <= 0xBF)
289 /* In IS_UTF8_CHAR_3c(p) one could use
290  * (p)[1] >= 0x80 && (p)[1] <= 0x9F
291  * if one wanted to exclude surrogates. */
292 #define IS_UTF8_CHAR_3d(p)      \
293         ((p)[0] >= 0xEE && (p)[0] <= 0xEF && \
294          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
295          (p)[2] >= 0x80 && (p)[2] <= 0xBF)
296 #define IS_UTF8_CHAR_4a(p)      \
297         ((p)[0] == 0xF0 && \
298          (p)[1] >= 0x90 && (p)[1] <= 0xBF && \
299          (p)[2] >= 0x80 && (p)[2] <= 0xBF && \
300          (p)[3] >= 0x80 && (p)[3] <= 0xBF)
301 #define IS_UTF8_CHAR_4b(p)      \
302         ((p)[0] >= 0xF1 && (p)[0] <= 0xF3 && \
303          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
304          (p)[2] >= 0x80 && (p)[2] <= 0xBF && \
305          (p)[3] >= 0x80 && (p)[3] <= 0xBF)
306 /* In IS_UTF8_CHAR_4c(p) one could use
307  * (p)[0] == 0xF4
308  * if one wanted to stop at the Unicode limit U+10FFFF.
309  * The 0xF7 allows us to go to 0x1fffff (0x200000 would
310  * require five bytes).  Not doing any further code points
311  * since that is not needed (and that would not be strict
312  * UTF-8, anyway).  The "slow path" in Perl_is_utf8_char()
313  * will take care of the "extended UTF-8". */
314 #define IS_UTF8_CHAR_4c(p)      \
315         ((p)[0] == 0xF4 && (p)[0] <= 0xF7 && \
316          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
317          (p)[2] >= 0x80 && (p)[2] <= 0xBF && \
318          (p)[3] >= 0x80 && (p)[3] <= 0xBF)
319
320 #define IS_UTF8_CHAR_3(p)       \
321         (IS_UTF8_CHAR_3a(p) || \
322          IS_UTF8_CHAR_3b(p) || \
323          IS_UTF8_CHAR_3c(p) || \
324          IS_UTF8_CHAR_3d(p))
325 #define IS_UTF8_CHAR_4(p)       \
326         (IS_UTF8_CHAR_4a(p) || \
327          IS_UTF8_CHAR_4b(p) || \
328          IS_UTF8_CHAR_4c(p))
329
330 /* IS_UTF8_CHAR(p) is strictly speaking wrong (not UTF-8) because it
331  * (1) allows UTF-8 encoded UTF-16 surrogates
332  * (2) it allows code points past U+10FFFF.
333  * The Perl_is_utf8_char() full "slow" code will handle the Perl
334  * "extended UTF-8". */
335 #define IS_UTF8_CHAR(p, n)      \
336         ((n) == 1 ? IS_UTF8_CHAR_1(p) : \
337          (n) == 2 ? IS_UTF8_CHAR_2(p) : \
338          (n) == 3 ? IS_UTF8_CHAR_3(p) : \
339          (n) == 4 ? IS_UTF8_CHAR_4(p) : 0)
340
341 #define IS_UTF8_CHAR_FAST(n) ((n) <= 4)
342
343 #endif /* IS_UTF8_CHAR() for UTF-8 */
344
345 /*
346  * Local variables:
347  * c-indentation-style: bsd
348  * c-basic-offset: 4
349  * indent-tabs-mode: t
350  * End:
351  *
352  * ex: set ts=8 sts=4 sw=4 noet:
353  */