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 #ifdef EBCDIC
  11 /* The equivalent of these macros but implementing UTF-EBCDIC
  12    are in the following header file:
  13  */
  14
  15 #include "utfebcdic.h"
  16 #else
  17 START_EXTERN_C
  18
  19 #ifdef DOINIT
  20 EXTCONST unsigned char PL_utf8skip[] = {
  21 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 */
  22 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 */
  23 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 */
  24 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 */
  25 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 */
  26 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 */
  27 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 */
  28 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. */
  29 7,13, /* Perl extended (not UTF-8).  Up to 72bit allowed (64-bit + reserved). */
  30 };
  31 #else
  32 EXTCONST unsigned char PL_utf8skip[];
  33 #endif
  34
  35 END_EXTERN_C
  36 #define UTF8SKIP(s) PL_utf8skip[*(U8*)s]
  37
  38 /* Native character to iso-8859-1 */
  39 #define NATIVE_TO_ASCII(ch)      (ch)
  40 #define ASCII_TO_NATIVE(ch)      (ch)
  41 /* Transform after encoding */
  42 #define NATIVE_TO_UTF(ch)        (ch)
  43 #define UTF_TO_NATIVE(ch)        (ch)
  44 /* Transforms in wide UV chars */
  45 #define UNI_TO_NATIVE(ch)        (ch)
  46 #define NATIVE_TO_UNI(ch)        (ch)
  47 /* Transforms in invariant space */
  48 #define NATIVE_TO_NEED(enc,ch)   (ch)
  49 #define ASCII_TO_NEED(enc,ch)    (ch)
  50
  51 /*
  52
  53  The following table is from Unicode 3.1.
  54
  55  Code Points            1st Byte  2nd Byte  3rd Byte  4th Byte
  56
  57    U+0000..U+007F       00..7F
  58    U+0080..U+07FF       C2..DF    80..BF
  59    U+0800..U+0FFF       E0        A0..BF    80..BF
  60    U+1000..U+FFFF       E1..EF    80..BF    80..BF
  61   U+10000..U+3FFFF      F0        90..BF    80..BF    80..BF
  62   U+40000..U+FFFFF      F1..F3    80..BF    80..BF    80..BF
  63  U+100000..U+10FFFF     F4        80..8F    80..BF    80..BF
  64
  65  */
  66
  67 #define UNI_IS_INVARIANT(c)             (((UV)c) <  0x80)
  68 #define UTF8_IS_INVARIANT(c)            UNI_IS_INVARIANT(NATIVE_TO_UTF(c))
  69 #define NATIVE_IS_INVARIANT(c)          UNI_IS_INVARIANT(NATIVE_TO_ASCII(c))
  70 #define UTF8_IS_START(c)                (((U8)c) >= 0xc0 && (((U8)c) <= 0xfd))
  71 #define UTF8_IS_CONTINUATION(c)         (((U8)c) >= 0x80 && (((U8)c) <= 0xbf))
  72 #define UTF8_IS_CONTINUED(c)            (((U8)c) &  0x80)
  73 #define UTF8_IS_DOWNGRADEABLE_START(c)  (((U8)c & 0xfc) == 0xc0)
  74
  75 #define UTF_START_MARK(len) ((len >  7) ? 0xFF : (0xFE << (7-len)))
  76 #define UTF_START_MASK(len) ((len >= 7) ? 0x00 : (0x1F >> (len-2)))
  77
  78 #define UTF_CONTINUATION_MARK           0x80
  79 #define UTF_ACCUMULATION_SHIFT          6
  80 #define UTF_CONTINUATION_MASK           ((U8)0x3f)
  81 #define UTF8_ACCUMULATE(old, new)       ((old) << UTF_ACCUMULATION_SHIFT | (((U8)new) & UTF_CONTINUATION_MASK))
  82
  83 #define UTF8_EIGHT_BIT_HI(c)    ((((U8)(c))>>UTF_ACCUMULATION_SHIFT)|UTF_START_MARK(2))
  84 #define UTF8_EIGHT_BIT_LO(c)    (((((U8)(c)))&UTF_CONTINUATION_MASK)|UTF_CONTINUATION_MARK)
  85
  86 #ifdef HAS_QUAD
  87 #define UNISKIP(uv) ( (uv) < 0x80           ? 1 : \
  88                       (uv) < 0x800          ? 2 : \
  89                       (uv) < 0x10000        ? 3 : \
  90                       (uv) < 0x200000       ? 4 : \
  91                       (uv) < 0x4000000      ? 5 : \
  92                       (uv) < 0x80000000     ? 6 : \
  93                       (uv) < UTF8_QUAD_MAX ? 7 : 13 )
  94 #else
  95 /* No, I'm not even going to *TRY* putting #ifdef inside a #define */
  96 #define UNISKIP(uv) ( (uv) < 0x80           ? 1 : \
  97                       (uv) < 0x800          ? 2 : \
  98                       (uv) < 0x10000        ? 3 : \
  99                       (uv) < 0x200000       ? 4 : \
 100                       (uv) < 0x4000000      ? 5 : \
 101                       (uv) < 0x80000000     ? 6 : 7 )
 102 #endif
 103
 104 /*
 105  * Note: we try to be careful never to call the isXXX_utf8() functions
 106  * unless we're pretty sure we've seen the beginning of a UTF-8 character
 107  * (that is, the two high bits are set).  Otherwise we risk loading in the
 108  * heavy-duty SWASHINIT and SWASHGET routines unnecessarily.
 109  */
 110 #define isIDFIRST_lazy_if(p,c) ((IN_BYTE || (!c || (*((U8*)p) < 0xc0))) \
 111                                 ? isIDFIRST(*(p)) \
 112                                 : isIDFIRST_utf8((U8*)p))
 113 #define isALNUM_lazy_if(p,c)   ((IN_BYTE || (!c || (*((U8*)p) < 0xc0))) \
 114                                 ? isALNUM(*(p)) \
 115                                 : isALNUM_utf8((U8*)p))
 116
 117
 118 #endif /* EBCDIC vs ASCII */
 119
 120 /* Rest of these are attributes of Unicode and perl's internals rather than the encoding */
 121
 122 #define isIDFIRST_lazy(p)       isIDFIRST_lazy_if(p,1)
 123 #define isALNUM_lazy(p)         isALNUM_lazy_if(p,1)
 124
 125 #define UTF8_MAXLEN 13 /* how wide can a single UTF8 encoded character become */
 126
 127 /* #define IN_UTF8 (PL_curcop->op_private & HINT_UTF8) */
 128 #define IN_BYTE (PL_curcop->op_private & HINT_BYTE)
 129 #define DO_UTF8(sv) (SvUTF8(sv) && !IN_BYTE)
 130
 131 #define UTF8_ALLOW_EMPTY                0x0001
 132 #define UTF8_ALLOW_CONTINUATION         0x0002
 133 #define UTF8_ALLOW_NON_CONTINUATION     0x0004
 134 #define UTF8_ALLOW_FE_FF                0x0008
 135 #define UTF8_ALLOW_SHORT                0x0010
 136 #define UTF8_ALLOW_SURROGATE            0x0020
 137 #define UTF8_ALLOW_BOM                  0x0040
 138 #define UTF8_ALLOW_FFFF                 0x0080
 139 #define UTF8_ALLOW_LONG                 0x0100
 140 #define UTF8_ALLOW_ANYUV                (UTF8_ALLOW_EMPTY|UTF8_ALLOW_FE_FF|\
 141                                          UTF8_ALLOW_SURROGATE|UTF8_ALLOW_BOM|\
 142                                          UTF8_ALLOW_FFFF|UTF8_ALLOW_LONG)
 143 #define UTF8_ALLOW_ANY                  0x00ff
 144 #define UTF8_CHECK_ONLY                 0x0100
 145
 146 #define UNICODE_SURROGATE_FIRST         0xd800
 147 #define UNICODE_SURROGATE_LAST          0xdfff
 148 #define UNICODE_REPLACEMENT             0xfffd
 149 #define UNICODE_BYTER_ORDER_MARK        0xfffe
 150 #define UNICODE_ILLEGAL                 0xffff
 151
 152 #define UNICODE_IS_SURROGATE(c)         ((c) >= UNICODE_SURROGATE_FIRST && \
 153                                          (c) <= UNICODE_SURROGATE_LAST)
 154 #define UNICODE_IS_REPLACEMENT(c)       ((c) == UNICODE_REPLACMENT)
 155 #define UNICODE_IS_BYTE_ORDER_MARK(c)   ((c) == UNICODE_BYTER_ORDER_MARK)
 156 #define UNICODE_IS_ILLEGAL(c)           ((c) == UNICODE_ILLEGAL)
 157
 158 #define UTF8_QUAD_MAX   UINT64_C(0x1000000000)
 159
 160 #define UTF8_IS_ASCII(c) UTF8_IS_INVARIANT(c)