further speeding up of is_utf8_string()
Jarkko Hietaniemi [Sat, 4 Jun 2005 13:40:15 +0000 (16:40 +0300)]
Message-ID: <42A1850F.4040109@gmail.com>

p4raw-id: //depot/perl@24706

MANIFEST
embed.fnc
embed.h
global.sym
proto.h
t/op/chr.t [new file with mode: 0644]
utf8.c

index a3597dd..9fb3834 100644 (file)
--- a/MANIFEST
+++ b/MANIFEST
@@ -2756,6 +2756,7 @@ t/op/caller.t                     See if caller() works
 t/op/chars.t                   See if character escapes work
 t/op/chdir.t                   See if chdir works
 t/op/chop.t                    See if chop works
+t/op/chr.t                     See if chr works
 t/op/closure.t                 See if closures work
 t/op/cmp.t                     See if the various string and numeric compare work
 t/op/concat.t                  See if string concatenation works
index c3ff3d3..9a7f4e7 100644 (file)
--- a/embed.fnc
+++ b/embed.fnc
@@ -1344,6 +1344,10 @@ s        |SV*    |mess_alloc
 sn     |NV|mulexp10    |NV value|I32 exponent
 #endif
 
+#if defined(PERL_IN_UTF8_C) || defined(PERL_DECL_PROT)
+s      |STRLEN |is_utf8_char_slow|NN const U8 *s|const STRLEN len
+#endif
+
 START_EXTERN_C
 
 Apd    |void   |sv_setsv_flags |NN SV* dsv|SV* ssv|I32 flags
diff --git a/embed.h b/embed.h
index aa87797..2344eca 100644 (file)
--- a/embed.h
+++ b/embed.h
 #define mulexp10               S_mulexp10
 #endif
 #endif
+#if defined(PERL_IN_UTF8_C) || defined(PERL_DECL_PROT)
+#ifdef PERL_CORE
+#define is_utf8_char_slow      S_is_utf8_char_slow
+#endif
+#endif
 #define sv_setsv_flags         Perl_sv_setsv_flags
 #define sv_catpvn_flags                Perl_sv_catpvn_flags
 #define sv_catsv_flags         Perl_sv_catsv_flags
 #define mulexp10               S_mulexp10
 #endif
 #endif
+#if defined(PERL_IN_UTF8_C) || defined(PERL_DECL_PROT)
+#ifdef PERL_CORE
+#define is_utf8_char_slow(a,b) S_is_utf8_char_slow(aTHX_ a,b)
+#endif
+#endif
 #define sv_setsv_flags(a,b,c)  Perl_sv_setsv_flags(aTHX_ a,b,c)
 #define sv_catpvn_flags(a,b,c,d)       Perl_sv_catpvn_flags(aTHX_ a,b,c,d)
 #define sv_catsv_flags(a,b,c)  Perl_sv_catsv_flags(aTHX_ a,b,c)
index 8a1e9ca..b4c745c 100644 (file)
@@ -315,7 +315,7 @@ Perl_newSVuv
 Perl_newSVnv
 Perl_newSVpv
 Perl_newSVpvn
-Perl_newSVpv_hek
+Perl_newSVhek
 Perl_newSVpvn_share
 Perl_newSVpvf
 Perl_vnewSVpvf
diff --git a/proto.h b/proto.h
index 04fc3ec..1b9c6b6 100644 (file)
--- a/proto.h
+++ b/proto.h
@@ -2492,6 +2492,12 @@ STATIC SV*       S_mess_alloc(pTHX);
 STATIC NV      S_mulexp10(NV value, I32 exponent);
 #endif
 
+#if defined(PERL_IN_UTF8_C) || defined(PERL_DECL_PROT)
+STATIC STRLEN  S_is_utf8_char_slow(pTHX_ const U8 *s, const STRLEN len)
+                       __attribute__nonnull__(pTHX_1);
+
+#endif
+
 START_EXTERN_C
 
 PERL_CALLCONV void     Perl_sv_setsv_flags(pTHX_ SV* dsv, SV* ssv, I32 flags)
diff --git a/t/op/chr.t b/t/op/chr.t
new file mode 100644 (file)
index 0000000..94450ec
--- /dev/null
@@ -0,0 +1,50 @@
+#!./perl
+
+BEGIN {
+    chdir 't' if -d 't';
+    @INC = qw(. ../lib); # ../lib needed for test.deparse
+    require "test.pl";
+}
+
+plan tests => 26;
+
+# Note that t/op/ord.t already tests for chr() <-> ord() rountripping.
+
+# Don't assume ASCII.
+
+is(chr(ord("A")), "A");
+
+is(chr(  0), "\x00");
+is(chr(127), "\x7F");
+is(chr(128), "\x80");
+is(chr(255), "\xFF");
+
+# is(chr(-1), undef); # Shouldn't it be?
+
+# Check UTF-8.
+
+sub hexes { join(" ",map{sprintf"%02x",$_}unpack("C*",chr($_[0]))) }
+
+# The following code points are some interesting steps in UTF-8.
+is(hexes(   0x100), "c4 80");
+is(hexes(   0x7FF), "df bf");
+is(hexes(   0x800), "e0 a0 80");
+is(hexes(   0xFFF), "e0 bf bf");
+is(hexes(  0x1000), "e1 80 80");
+is(hexes(  0xCFFF), "ec bf bf");
+is(hexes(  0xD000), "ed 80 80");
+is(hexes(  0xD7FF), "ed 9f bf");
+is(hexes(  0xD800), "ed a0 80"); # not strict utf-8 (surrogate area begin)
+is(hexes(  0xDFFF), "ed bf bf"); # not strict utf-8 (surrogate area end)
+is(hexes(  0xE000), "ee 80 80");
+is(hexes(  0xFFFF), "ef bf bf");
+is(hexes( 0x10000), "f0 90 80 80");
+is(hexes( 0x3FFFF), "f0 bf bf bf");
+is(hexes( 0x40000), "f1 80 80 80");
+is(hexes( 0xFFFFF), "f3 bf bf bf");
+is(hexes(0x100000), "f4 80 80 80");
+is(hexes(0x10FFFF), "f4 8f bf bf"); # Unicode (4.1) last code point
+is(hexes(0x110000), "f4 90 80 80");
+is(hexes(0x1FFFFF), "f7 bf bf bf"); # last four byte encoding
+is(hexes(0x200000), "f8 88 80 80 80");
+
diff --git a/utf8.c b/utf8.c
index ecc77c0..53983cb 100644 (file)
--- a/utf8.c
+++ b/utf8.c
@@ -173,6 +173,60 @@ Perl_uvuni_to_utf8(pTHX_ U8 *d, UV uv)
     return Perl_uvuni_to_utf8_flags(aTHX_ d, uv, 0);
 }
 
+/*
+
+Tests if some arbitrary number of bytes begins in a valid UTF-8
+character.  Note that an INVARIANT (i.e. ASCII) character is a valid
+UTF-8 character.  The actual number of bytes in the UTF-8 character
+will be returned if it is valid, otherwise 0.
+
+This is the "slow" version as opposed to the "fast" version which is
+the "unrolled" IS_UTF8_CHAR().  E.g. for t/uni/class.t the speed
+difference is a factor of 2 to 3.  For lengths (UTF8SKIP(s)) of four
+or less you should use the IS_UTF8_CHAR(), for lengths of five or more
+you should use the _slow().  In practice this means that the _slow()
+will be used very rarely, since the maximum Unicode code point (as of
+Unicode 4.1) is U+10FFFF, which encodes in UTF-8 to four bytes.  Only
+the "Perl extended UTF-8" (the infamous 'v-strings') will encode into
+five bytes or more.
+
+=cut */
+STRLEN
+S_is_utf8_char_slow(pTHX_ const U8 *s, const STRLEN len)
+{
+    U8 u = *s;
+    STRLEN slen;
+    UV uv, ouv;
+
+    if (UTF8_IS_INVARIANT(u))
+       return 1;
+
+    if (!UTF8_IS_START(u))
+       return 0;
+
+    if (len < 2 || !UTF8_IS_CONTINUATION(s[1]))
+       return 0;
+
+    slen = len - 1;
+    s++;
+    u &= UTF_START_MASK(len);
+    uv  = u;
+    ouv = uv;
+    while (slen--) {
+       if (!UTF8_IS_CONTINUATION(*s))
+           return 0;
+       uv = UTF8_ACCUMULATE(uv, *s);
+       if (uv < ouv) 
+           return 0;
+       ouv = uv;
+       s++;
+    }
+
+    if ((STRLEN)UNISKIP(uv) < len)
+       return 0;
+
+    return len;
+}
 
 /*
 =for apidoc A|STRLEN|is_utf8_char|const U8 *s
@@ -192,42 +246,7 @@ Perl_is_utf8_char(pTHX_ const U8 *s)
     if (len <= 4)
         return IS_UTF8_CHAR(s, len) ? len : 0;
 #endif /* #ifdef IS_UTF8_CHAR */
-    {
-       U8 u = *s;
-        STRLEN slen;
-        UV uv, ouv;
-
-        if (UTF8_IS_INVARIANT(u))
-            return 1;
-
-        if (!UTF8_IS_START(u))
-            return 0;
-
-        len = UTF8SKIP(s);
-
-        if (len < 2 || !UTF8_IS_CONTINUATION(s[1]))
-            return 0;
-
-        slen = len - 1;
-        s++;
-        u &= UTF_START_MASK(len);
-        uv  = u;
-        ouv = uv;
-        while (slen--) {
-            if (!UTF8_IS_CONTINUATION(*s))
-                return 0;
-            uv = UTF8_ACCUMULATE(uv, *s);
-            if (uv < ouv) 
-                return 0;
-            ouv = uv;
-            s++;
-        }
-
-        if ((STRLEN)UNISKIP(uv) < len)
-            return 0;
-
-        return len;
-    }
+    return S_is_utf8_char_slow(s, len);
 }
 
 /*
@@ -260,7 +279,18 @@ Perl_is_utf8_string(pTHX_ const U8 *s, STRLEN len)
              return FALSE;
         else {
              /* ... and call is_utf8_char() only if really needed. */
-             c = is_utf8_char(x);
+#ifdef IS_UTF8_CHAR
+            c = UTF8SKIP(x);
+            if (c <= 4) {
+                if (!IS_UTF8_CHAR(x, c))
+                    return FALSE;
+            } else {
+                if (!S_is_utf8_char_slow(x, c))
+                    return FALSE;
+            }
+#else
+            c = is_utf8_char(x);
+#endif /* #ifdef IS_UTF8_CHAR */
              if (!c)
                   return FALSE;
         }