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   /* ! EBCDIC */
  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
  51 /* Native character to iso-8859-1 */
  52 #define NATIVE_TO_ASCII(ch)      (ch)
  53 #define ASCII_TO_NATIVE(ch)      (ch)
  54 /* Transform after encoding */
  55 #define NATIVE_TO_UTF(ch)        (ch)
  56 #define UTF_TO_NATIVE(ch)        (ch)
  57 /* Transforms in wide UV chars */
  58 #define UNI_TO_NATIVE(ch)        (ch)
  59 #define NATIVE_TO_UNI(ch)        (ch)
  60 /* Transforms in invariant space */
  61 #define NATIVE_TO_NEED(enc,ch)   (ch)
  62 #define ASCII_TO_NEED(enc,ch)    (ch)
  63
  64 /* As there are no translations, avoid the function wrapper */
  65 #define utf8n_to_uvchr utf8n_to_uvuni
  66 #define uvchr_to_utf8  uvuni_to_utf8
  67
  68 /*
  69
  70  The following table is from Unicode 3.2.
  71
  72  Code Points            1st Byte  2nd Byte  3rd Byte  4th Byte
  73
  74    U+0000..U+007F       00..7F
  75    U+0080..U+07FF     * C2..DF    80..BF
  76    U+0800..U+0FFF       E0      * A0..BF    80..BF
  77    U+1000..U+CFFF       E1..EC    80..BF    80..BF
  78    U+D000..U+D7FF       ED        80..9F    80..BF
  79    U+D800..U+DFFF       +++++++ utf16 surrogates, not legal utf8 +++++++
  80    U+E000..U+FFFF       EE..EF    80..BF    80..BF
  81   U+10000..U+3FFFF      F0      * 90..BF    80..BF    80..BF
  82   U+40000..U+FFFFF      F1..F3    80..BF    80..BF    80..BF
  83  U+100000..U+10FFFF     F4        80..8F    80..BF    80..BF
  84
  85 Note the gaps before several of the byte entries above marked by '*'.  These are
  86 caused by legal UTF-8 avoiding non-shortest encodings: it is technically
  87 possible to UTF-8-encode a single code point in different ways, but that is
  88 explicitly forbidden, and the shortest possible encoding should always be used
  89 (and that is what Perl does).
  90
  91  */
  92
  93 /*
  94  Another way to look at it, as bits:
  95
  96  Code Points                    1st Byte   2nd Byte  3rd Byte  4th Byte
  97
  98                     0aaaaaaa     0aaaaaaa
  99             00000bbbbbaaaaaa     110bbbbb  10aaaaaa
 100             ccccbbbbbbaaaaaa     1110cccc  10bbbbbb  10aaaaaa
 101   00000dddccccccbbbbbbaaaaaa     11110ddd  10cccccc  10bbbbbb  10aaaaaa
 102
 103 As you can see, the continuation bytes all begin with C<10>, and the
 104 leading bits of the start byte tell how many bytes there are in the
 105 encoded character.
 106
 107 */
 108
 109
 110 #define UNI_IS_INVARIANT(c)             (((UV)c) <  0x80)
 111 /* Note that C0 and C1 are invalid in legal UTF8, so the lower bound of the
 112  * below might ought to be C2 */
 113 #define UTF8_IS_START(c)                (((U8)c) >= 0xc0 && (((U8)c) <= 0xfd))
 114 #define UTF8_IS_CONTINUATION(c)         (((U8)c) >= 0x80 && (((U8)c) <= 0xbf))
 115 #define UTF8_IS_CONTINUED(c)            (((U8)c) &  0x80)
 116 #define UTF8_IS_DOWNGRADEABLE_START(c)  (((U8)c & 0xfc) == 0xc0)
 117
 118 #define UTF_START_MARK(len) (((len) >  7) ? 0xFF : (0xFE << (7-(len))))
 119 #define UTF_START_MASK(len) (((len) >= 7) ? 0x00 : (0x1F >> ((len)-2)))
 120
 121 #define UTF_CONTINUATION_MARK           0x80
 122 #define UTF_ACCUMULATION_SHIFT          6
 123 #define UTF_CONTINUATION_MASK           ((U8)0x3f)
 124
 125 #ifdef HAS_QUAD
 126 #define UNISKIP(uv) ( (uv) < 0x80           ? 1 : \
 127                       (uv) < 0x800          ? 2 : \
 128                       (uv) < 0x10000        ? 3 : \
 129                       (uv) < 0x200000       ? 4 : \
 130                       (uv) < 0x4000000      ? 5 : \
 131                       (uv) < 0x80000000     ? 6 : \
 132                       (uv) < UTF8_QUAD_MAX ? 7 : 13 )
 133 #else
 134 /* No, I'm not even going to *TRY* putting #ifdef inside a #define */
 135 #define UNISKIP(uv) ( (uv) < 0x80           ? 1 : \
 136                       (uv) < 0x800          ? 2 : \
 137                       (uv) < 0x10000        ? 3 : \
 138                       (uv) < 0x200000       ? 4 : \
 139                       (uv) < 0x4000000      ? 5 : \
 140                       (uv) < 0x80000000     ? 6 : 7 )
 141 #endif
 142
 143 #endif /* EBCDIC vs ASCII */
 144
 145 /* Rest of these are attributes of Unicode and perl's internals rather than the
 146  * encoding, or happen to be the same in both ASCII and EBCDIC (at least at
 147  * this level; the macros that some of these call may have different
 148  * definitions in the two encodings */
 149
 150 #define NATIVE8_TO_UNI(ch)     NATIVE_TO_ASCII(ch)      /* a clearer synonym */
 151
 152 #define UTF8_ACCUMULATE(old, new)       (((old) << UTF_ACCUMULATION_SHIFT) | (((U8)new) & UTF_CONTINUATION_MASK))
 153
 154 #define UTF8SKIP(s) PL_utf8skip[*(const U8*)(s)]
 155
 156 #define UTF8_IS_INVARIANT(c)            UNI_IS_INVARIANT(NATIVE_TO_UTF(c))
 157 #define NATIVE_IS_INVARIANT(c)          UNI_IS_INVARIANT(NATIVE8_TO_UNI(c))
 158
 159 #define MAX_PORTABLE_UTF8_TWO_BYTE 0x3FF    /* constrained by EBCDIC */
 160
 161 /* The macros in the next sets are used to generate the two utf8 or utfebcdic
 162  * bytes from an ordinal that is known to fit into two bytes; it must be less
 163  * than 0x3FF to work across both encodings. */
 164 /* Nocast allows these to be used in the case label of a switch statement */
 165 #define UTF8_TWO_BYTE_HI_nocast(c)      UTF_TO_NATIVE(((c)>>UTF_ACCUMULATION_SHIFT)|UTF_START_MARK(2))
 166 #define UTF8_TWO_BYTE_LO_nocast(c)      UTF_TO_NATIVE(((c)&UTF_CONTINUATION_MASK)|UTF_CONTINUATION_MARK)
 167
 168 #define UTF8_TWO_BYTE_HI(c)     ((U8) (UTF8_TWO_BYTE_HI_nocast(c)))
 169 #define UTF8_TWO_BYTE_LO(c)     ((U8) (UTF8_TWO_BYTE_LO_nocast(c)))
 170
 171 /* This name is used when the source is a single byte */
 172 #define UTF8_EIGHT_BIT_HI(c)    UTF8_TWO_BYTE_HI((U8)(c))
 173 #define UTF8_EIGHT_BIT_LO(c)    UTF8_TWO_BYTE_LO((U8)(c))
 174
 175 /*
 176  * Note: we try to be careful never to call the isXXX_utf8() functions
 177  * unless we're pretty sure we've seen the beginning of a UTF-8 or UTFEBCDIC
 178  * character.  Otherwise we risk loading in the heavy-duty swash_init and
 179  * swash_fetch routines unnecessarily.
 180  */
 181 #define isIDFIRST_lazy_if(p,c) ((IN_BYTES || (!c || ! UTF8_IS_START(*((const U8*)p)))) \
 182                                 ? isIDFIRST(*(p)) \
 183                                 : isIDFIRST_utf8((const U8*)p))
 184 #define isALNUM_lazy_if(p,c)   ((IN_BYTES || (!c || ! UTF8_IS_START(*((const U8*)p)))) \
 185                                 ? isALNUM(*(p)) \
 186                                 : isALNUM_utf8((const U8*)p))
 187
 188 #define isIDFIRST_lazy(p)       isIDFIRST_lazy_if(p,1)
 189 #define isALNUM_lazy(p)         isALNUM_lazy_if(p,1)
 190
 191 #define UTF8_MAXBYTES 13
 192 /* How wide can a single UTF-8 encoded character become in bytes.
 193  * NOTE: Strictly speaking Perl's UTF-8 should not be called UTF-8
 194  * since UTF-8 is an encoding of Unicode and given Unicode's current
 195  * upper limit only four bytes is possible.  Perl thinks of UTF-8
 196  * as a way to encode non-negative integers in a binary format. */
 197 #define UTF8_MAXLEN UTF8_MAXBYTES
 198
 199 /* The maximum number of UTF-8 bytes a single Unicode character can
 200  * uppercase/lowercase/fold into; this number depends on the Unicode
 201  * version.  An example of maximal expansion is the U+03B0 which
 202  * uppercases to U+03C5 U+0308 U+0301.  The Unicode databases that
 203  * tell these things are UnicodeData.txt, CaseFolding.txt, and
 204  * SpecialCasing.txt. */
 205 #define UTF8_MAXBYTES_CASE      6
 206
 207 #define IN_BYTES (CopHINTS_get(PL_curcop) & HINT_BYTES)
 208 #define DO_UTF8(sv) (SvUTF8(sv) && !IN_BYTES)
 209 #define IN_UNI_8_BIT ( (CopHINTS_get(PL_curcop) & HINT_UNI_8_BIT) \
 210                         && ! IN_LOCALE_RUNTIME && ! IN_BYTES)
 211
 212 #define UTF8_ALLOW_EMPTY                0x0001
 213 #define UTF8_ALLOW_CONTINUATION         0x0002
 214 #define UTF8_ALLOW_NON_CONTINUATION     0x0004
 215 #define UTF8_ALLOW_FE_FF                0x0008 /* Allow FE or FF start bytes, \
 216                                                   yields above 0x7fffFFFF */
 217 #define UTF8_ALLOW_SHORT                0x0010 /* expecting more bytes */
 218 #define UTF8_ALLOW_SURROGATE            0x0020
 219 #define UTF8_ALLOW_FFFF                 0x0040 /* Allow UNICODE_ILLEGAL */
 220 #define UTF8_ALLOW_LONG                 0x0080 /* expecting fewer bytes */
 221 #define UTF8_ALLOW_ANYUV                (UTF8_ALLOW_EMPTY|UTF8_ALLOW_FE_FF|\
 222                                          UTF8_ALLOW_SURROGATE|UTF8_ALLOW_FFFF)
 223 #define UTF8_ALLOW_ANY                  0x00FF
 224 #define UTF8_CHECK_ONLY                 0x0200
 225 #define UTF8_ALLOW_DEFAULT              (ckWARN(WARN_UTF8) ? 0 : \
 226                                          UTF8_ALLOW_ANYUV)
 227
 228 #define UNICODE_SURROGATE_FIRST         0xD800
 229 #define UNICODE_SURROGATE_LAST          0xDFFF
 230 #define UNICODE_REPLACEMENT             0xFFFD
 231 #define UNICODE_BYTE_ORDER_MARK         0xFEFF
 232 #define UNICODE_ILLEGAL                 0xFFFF
 233
 234 /* Though our UTF-8 encoding can go beyond this,
 235  * let's be conservative and do as Unicode 5.1 says. */
 236 #define PERL_UNICODE_MAX        0x10FFFF
 237
 238 #define UNICODE_ALLOW_SURROGATE 0x0001  /* Allow UTF-16 surrogates (EVIL) */
 239 #define UNICODE_ALLOW_FDD0      0x0002  /* Allow the U+FDD0...U+FDEF */
 240 #define UNICODE_ALLOW_FFFF      0x0004  /* Allow U+FFF[EF], U+1FFF[EF], ... */
 241 #define UNICODE_ALLOW_SUPER     0x0008  /* Allow past 0x10FFFF */
 242 #define UNICODE_ALLOW_ANY       0x000F
 243
 244 #define UNICODE_IS_SURROGATE(c)         ((c) >= UNICODE_SURROGATE_FIRST && \
 245                                          (c) <= UNICODE_SURROGATE_LAST)
 246 #define UNICODE_IS_REPLACEMENT(c)       ((c) == UNICODE_REPLACEMENT)
 247 #define UNICODE_IS_BYTE_ORDER_MARK(c)   ((c) == UNICODE_BYTE_ORDER_MARK)
 248 #define UNICODE_IS_ILLEGAL(c)           ((c) == UNICODE_ILLEGAL)
 249
 250 #ifdef HAS_QUAD
 251 #    define UTF8_QUAD_MAX       UINT64_C(0x1000000000)
 252 #endif
 253
 254 #define UTF8_IS_ASCII(c) UTF8_IS_INVARIANT(c)
 255
 256 #define UNICODE_GREEK_CAPITAL_LETTER_SIGMA      0x03A3
 257 #define UNICODE_GREEK_SMALL_LETTER_FINAL_SIGMA  0x03C2
 258 #define UNICODE_GREEK_SMALL_LETTER_SIGMA        0x03C3
 259
 260 #define UNI_DISPLAY_ISPRINT     0x0001
 261 #define UNI_DISPLAY_BACKSLASH   0x0002
 262 #define UNI_DISPLAY_QQ          (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
 263 #define UNI_DISPLAY_REGEX       (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
 264
 265 #ifndef EBCDIC
 266 #   define LATIN_SMALL_LETTER_SHARP_S   0x00DF
 267 #   define LATIN_SMALL_LETTER_Y_WITH_DIAERESIS 0x00FF
 268 #   define MICRO_SIGN 0x00B5
 269 #endif
 270
 271 #define ANYOF_FOLD_SHARP_S(node, input, end)    \
 272         (ANYOF_BITMAP_TEST(node, LATIN_SMALL_LETTER_SHARP_S) && \
 273          (ANYOF_FLAGS(node) & ANYOF_UNICODE) && \
 274          (ANYOF_FLAGS(node) & ANYOF_FOLD) && \
 275          ((end) > (input) + 1) && \
 276          toLOWER((input)[0]) == 's' && \
 277          toLOWER((input)[1]) == 's')
 278 #define SHARP_S_SKIP 2
 279
 280 #ifdef EBCDIC
 281 /* IS_UTF8_CHAR() is not ported to EBCDIC */
 282 #else
 283 #define IS_UTF8_CHAR_1(p)       \
 284         ((p)[0] <= 0x7F)
 285 #define IS_UTF8_CHAR_2(p)       \
 286         ((p)[0] >= 0xC2 && (p)[0] <= 0xDF && \
 287          (p)[1] >= 0x80 && (p)[1] <= 0xBF)
 288 #define IS_UTF8_CHAR_3a(p)      \
 289         ((p)[0] == 0xE0 && \
 290          (p)[1] >= 0xA0 && (p)[1] <= 0xBF && \
 291          (p)[2] >= 0x80 && (p)[2] <= 0xBF)
 292 #define IS_UTF8_CHAR_3b(p)      \
 293         ((p)[0] >= 0xE1 && (p)[0] <= 0xEC && \
 294          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
 295          (p)[2] >= 0x80 && (p)[2] <= 0xBF)
 296 #define IS_UTF8_CHAR_3c(p)      \
 297         ((p)[0] == 0xED && \
 298          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
 299          (p)[2] >= 0x80 && (p)[2] <= 0xBF)
 300 /* In IS_UTF8_CHAR_3c(p) one could use
 301  * (p)[1] >= 0x80 && (p)[1] <= 0x9F
 302  * if one wanted to exclude surrogates. */
 303 #define IS_UTF8_CHAR_3d(p)      \
 304         ((p)[0] >= 0xEE && (p)[0] <= 0xEF && \
 305          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
 306          (p)[2] >= 0x80 && (p)[2] <= 0xBF)
 307 #define IS_UTF8_CHAR_4a(p)      \
 308         ((p)[0] == 0xF0 && \
 309          (p)[1] >= 0x90 && (p)[1] <= 0xBF && \
 310          (p)[2] >= 0x80 && (p)[2] <= 0xBF && \
 311          (p)[3] >= 0x80 && (p)[3] <= 0xBF)
 312 #define IS_UTF8_CHAR_4b(p)      \
 313         ((p)[0] >= 0xF1 && (p)[0] <= 0xF3 && \
 314          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
 315          (p)[2] >= 0x80 && (p)[2] <= 0xBF && \
 316          (p)[3] >= 0x80 && (p)[3] <= 0xBF)
 317 /* In IS_UTF8_CHAR_4c(p) one could use
 318  * (p)[0] == 0xF4
 319  * if one wanted to stop at the Unicode limit U+10FFFF.
 320  * The 0xF7 allows us to go to 0x1fffff (0x200000 would
 321  * require five bytes).  Not doing any further code points
 322  * since that is not needed (and that would not be strict
 323  * UTF-8, anyway).  The "slow path" in Perl_is_utf8_char()
 324  * will take care of the "extended UTF-8". */
 325 #define IS_UTF8_CHAR_4c(p)      \
 326         ((p)[0] == 0xF4 && (p)[0] <= 0xF7 && \
 327          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
 328          (p)[2] >= 0x80 && (p)[2] <= 0xBF && \
 329          (p)[3] >= 0x80 && (p)[3] <= 0xBF)
 330
 331 #define IS_UTF8_CHAR_3(p)       \
 332         (IS_UTF8_CHAR_3a(p) || \
 333          IS_UTF8_CHAR_3b(p) || \
 334          IS_UTF8_CHAR_3c(p) || \
 335          IS_UTF8_CHAR_3d(p))
 336 #define IS_UTF8_CHAR_4(p)       \
 337         (IS_UTF8_CHAR_4a(p) || \
 338          IS_UTF8_CHAR_4b(p) || \
 339          IS_UTF8_CHAR_4c(p))
 340
 341 /* IS_UTF8_CHAR(p) is strictly speaking wrong (not UTF-8) because it
 342  * (1) allows UTF-8 encoded UTF-16 surrogates
 343  * (2) it allows code points past U+10FFFF.
 344  * The Perl_is_utf8_char() full "slow" code will handle the Perl
 345  * "extended UTF-8". */
 346 #define IS_UTF8_CHAR(p, n)      \
 347         ((n) == 1 ? IS_UTF8_CHAR_1(p) : \
 348          (n) == 2 ? IS_UTF8_CHAR_2(p) : \
 349          (n) == 3 ? IS_UTF8_CHAR_3(p) : \
 350          (n) == 4 ? IS_UTF8_CHAR_4(p) : 0)
 351
 352 #define IS_UTF8_CHAR_FAST(n) ((n) <= 4)
 353
 354 #endif /* IS_UTF8_CHAR() for UTF-8 */
 355
 356 /*
 357  * Local variables:
 358  * c-indentation-style: bsd
 359  * c-basic-offset: 4
 360  * indent-tabs-mode: t
 361  * End:
 362  *
 363  * ex: set ts=8 sts=4 sw=4 noet:
 364  */