Version bumps for modules changed by a6d37805ca8a9ba8 ($Id$ removal).
[perl.git] / utf8.c
1 /*    utf8.c
2  *
3  *    Copyright (C) 2000, 2001, 2002, 2003, 2004, 2005, 2006, 2007, 2008
4  *    by Larry Wall and others
5  *
6  *    You may distribute under the terms of either the GNU General Public
7  *    License or the Artistic License, as specified in the README file.
8  *
9  */
10
11 /*
12  * 'What a fix!' said Sam.  'That's the one place in all the lands we've ever
13  *  heard of that we don't want to see any closer; and that's the one place
14  *  we're trying to get to!  And that's just where we can't get, nohow.'
15  *
16  *     [p.603 of _The Lord of the Rings_, IV/I: "The Taming of Sm�agol"]
17  *
18  * 'Well do I understand your speech,' he answered in the same language;
19  * 'yet few strangers do so.  Why then do you not speak in the Common Tongue,
20  *  as is the custom in the West, if you wish to be answered?'
21  *                           --Gandalf, addressing Th�oden's door wardens
22  *
23  *     [p.508 of _The Lord of the Rings_, III/vi: "The King of the Golden Hall"]
24  *
25  * ...the travellers perceived that the floor was paved with stones of many
26  * hues; branching runes and strange devices intertwined beneath their feet.
27  *
28  *     [p.512 of _The Lord of the Rings_, III/vi: "The King of the Golden Hall"]
29  */
30
31 #include "EXTERN.h"
32 #define PERL_IN_UTF8_C
33 #include "perl.h"
34
35 #ifndef EBCDIC
36 /* Separate prototypes needed because in ASCII systems these are
37  * usually macros but they still are compiled as code, too. */
38 PERL_CALLCONV UV        Perl_utf8n_to_uvchr(pTHX_ const U8 *s, STRLEN curlen, STRLEN *retlen, U32 flags);
39 PERL_CALLCONV U8*       Perl_uvchr_to_utf8(pTHX_ U8 *d, UV uv);
40 #endif
41
42 static const char unees[] =
43     "Malformed UTF-8 character (unexpected end of string)";
44
45 /*
46 =head1 Unicode Support
47
48 This file contains various utility functions for manipulating UTF8-encoded
49 strings. For the uninitiated, this is a method of representing arbitrary
50 Unicode characters as a variable number of bytes, in such a way that
51 characters in the ASCII range are unmodified, and a zero byte never appears
52 within non-zero characters.
53
54 =cut
55 */
56
57 /*
58 =for apidoc is_ascii_string
59
60 Returns true if the first C<len> bytes of the given string are the same whether
61 or not the string is encoded in UTF-8 (or UTF-EBCDIC on EBCDIC machines).  That
62 is, if they are invariant.  On ASCII-ish machines, only ASCII characters
63 fit this definition, hence the function's name.
64
65 If C<len> is 0, it will be calculated using C<strlen(s)>.  
66
67 See also is_utf8_string(), is_utf8_string_loclen(), and is_utf8_string_loc().
68
69 =cut
70 */
71
72 bool
73 Perl_is_ascii_string(const U8 *s, STRLEN len)
74 {
75     const U8* const send = s + (len ? len : strlen((const char *)s));
76     const U8* x = s;
77
78     PERL_ARGS_ASSERT_IS_ASCII_STRING;
79
80     for (; x < send; ++x) {
81         if (!UTF8_IS_INVARIANT(*x))
82             break;
83     }
84
85     return x == send;
86 }
87
88 /*
89 =for apidoc uvuni_to_utf8_flags
90
91 Adds the UTF-8 representation of the Unicode codepoint C<uv> to the end
92 of the string C<d>; C<d> should be have at least C<UTF8_MAXBYTES+1> free
93 bytes available. The return value is the pointer to the byte after the
94 end of the new character. In other words,
95
96     d = uvuni_to_utf8_flags(d, uv, flags);
97
98 or, in most cases,
99
100     d = uvuni_to_utf8(d, uv);
101
102 (which is equivalent to)
103
104     d = uvuni_to_utf8_flags(d, uv, 0);
105
106 is the recommended Unicode-aware way of saying
107
108     *(d++) = uv;
109
110 =cut
111 */
112
113 U8 *
114 Perl_uvuni_to_utf8_flags(pTHX_ U8 *d, UV uv, UV flags)
115 {
116     PERL_ARGS_ASSERT_UVUNI_TO_UTF8_FLAGS;
117
118     if (ckWARN(WARN_UTF8)) {
119          if (UNICODE_IS_SURROGATE(uv) &&
120              !(flags & UNICODE_ALLOW_SURROGATE))
121               Perl_warner(aTHX_ packWARN(WARN_UTF8), "UTF-16 surrogate 0x%04"UVxf, uv);
122          else if (
123                   ((uv >= 0xFDD0 && uv <= 0xFDEF &&
124                     !(flags & UNICODE_ALLOW_FDD0))
125                    ||
126                    ((uv & 0xFFFE) == 0xFFFE && /* Either FFFE or FFFF. */
127                     !(flags & UNICODE_ALLOW_FFFF))) &&
128                   /* UNICODE_ALLOW_SUPER includes
129                    * FFFEs and FFFFs beyond 0x10FFFF. */
130                   ((uv <= PERL_UNICODE_MAX) ||
131                    !(flags & UNICODE_ALLOW_SUPER))
132                   )
133               Perl_warner(aTHX_ packWARN(WARN_UTF8),
134                       "Unicode non-character 0x%04"UVxf" is illegal for interchange", uv);
135     }
136     if (UNI_IS_INVARIANT(uv)) {
137         *d++ = (U8)UTF_TO_NATIVE(uv);
138         return d;
139     }
140 #if defined(EBCDIC)
141     else {
142         STRLEN len  = UNISKIP(uv);
143         U8 *p = d+len-1;
144         while (p > d) {
145             *p-- = (U8)UTF_TO_NATIVE((uv & UTF_CONTINUATION_MASK) | UTF_CONTINUATION_MARK);
146             uv >>= UTF_ACCUMULATION_SHIFT;
147         }
148         *p = (U8)UTF_TO_NATIVE((uv & UTF_START_MASK(len)) | UTF_START_MARK(len));
149         return d+len;
150     }
151 #else /* Non loop style */
152     if (uv < 0x800) {
153         *d++ = (U8)(( uv >>  6)         | 0xc0);
154         *d++ = (U8)(( uv        & 0x3f) | 0x80);
155         return d;
156     }
157     if (uv < 0x10000) {
158         *d++ = (U8)(( uv >> 12)         | 0xe0);
159         *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
160         *d++ = (U8)(( uv        & 0x3f) | 0x80);
161         return d;
162     }
163     if (uv < 0x200000) {
164         *d++ = (U8)(( uv >> 18)         | 0xf0);
165         *d++ = (U8)(((uv >> 12) & 0x3f) | 0x80);
166         *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
167         *d++ = (U8)(( uv        & 0x3f) | 0x80);
168         return d;
169     }
170     if (uv < 0x4000000) {
171         *d++ = (U8)(( uv >> 24)         | 0xf8);
172         *d++ = (U8)(((uv >> 18) & 0x3f) | 0x80);
173         *d++ = (U8)(((uv >> 12) & 0x3f) | 0x80);
174         *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
175         *d++ = (U8)(( uv        & 0x3f) | 0x80);
176         return d;
177     }
178     if (uv < 0x80000000) {
179         *d++ = (U8)(( uv >> 30)         | 0xfc);
180         *d++ = (U8)(((uv >> 24) & 0x3f) | 0x80);
181         *d++ = (U8)(((uv >> 18) & 0x3f) | 0x80);
182         *d++ = (U8)(((uv >> 12) & 0x3f) | 0x80);
183         *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
184         *d++ = (U8)(( uv        & 0x3f) | 0x80);
185         return d;
186     }
187 #ifdef HAS_QUAD
188     if (uv < UTF8_QUAD_MAX)
189 #endif
190     {
191         *d++ =                            0xfe; /* Can't match U+FEFF! */
192         *d++ = (U8)(((uv >> 30) & 0x3f) | 0x80);
193         *d++ = (U8)(((uv >> 24) & 0x3f) | 0x80);
194         *d++ = (U8)(((uv >> 18) & 0x3f) | 0x80);
195         *d++ = (U8)(((uv >> 12) & 0x3f) | 0x80);
196         *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
197         *d++ = (U8)(( uv        & 0x3f) | 0x80);
198         return d;
199     }
200 #ifdef HAS_QUAD
201     {
202         *d++ =                            0xff;         /* Can't match U+FFFE! */
203         *d++ =                            0x80;         /* 6 Reserved bits */
204         *d++ = (U8)(((uv >> 60) & 0x0f) | 0x80);        /* 2 Reserved bits */
205         *d++ = (U8)(((uv >> 54) & 0x3f) | 0x80);
206         *d++ = (U8)(((uv >> 48) & 0x3f) | 0x80);
207         *d++ = (U8)(((uv >> 42) & 0x3f) | 0x80);
208         *d++ = (U8)(((uv >> 36) & 0x3f) | 0x80);
209         *d++ = (U8)(((uv >> 30) & 0x3f) | 0x80);
210         *d++ = (U8)(((uv >> 24) & 0x3f) | 0x80);
211         *d++ = (U8)(((uv >> 18) & 0x3f) | 0x80);
212         *d++ = (U8)(((uv >> 12) & 0x3f) | 0x80);
213         *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
214         *d++ = (U8)(( uv        & 0x3f) | 0x80);
215         return d;
216     }
217 #endif
218 #endif /* Loop style */
219 }
220
221 /*
222
223 Tests if some arbitrary number of bytes begins in a valid UTF-8
224 character.  Note that an INVARIANT (i.e. ASCII) character is a valid
225 UTF-8 character.  The actual number of bytes in the UTF-8 character
226 will be returned if it is valid, otherwise 0.
227
228 This is the "slow" version as opposed to the "fast" version which is
229 the "unrolled" IS_UTF8_CHAR().  E.g. for t/uni/class.t the speed
230 difference is a factor of 2 to 3.  For lengths (UTF8SKIP(s)) of four
231 or less you should use the IS_UTF8_CHAR(), for lengths of five or more
232 you should use the _slow().  In practice this means that the _slow()
233 will be used very rarely, since the maximum Unicode code point (as of
234 Unicode 4.1) is U+10FFFF, which encodes in UTF-8 to four bytes.  Only
235 the "Perl extended UTF-8" (the infamous 'v-strings') will encode into
236 five bytes or more.
237
238 =cut */
239 STATIC STRLEN
240 S_is_utf8_char_slow(const U8 *s, const STRLEN len)
241 {
242     U8 u = *s;
243     STRLEN slen;
244     UV uv, ouv;
245
246     PERL_ARGS_ASSERT_IS_UTF8_CHAR_SLOW;
247
248     if (UTF8_IS_INVARIANT(u))
249         return 1;
250
251     if (!UTF8_IS_START(u))
252         return 0;
253
254     if (len < 2 || !UTF8_IS_CONTINUATION(s[1]))
255         return 0;
256
257     slen = len - 1;
258     s++;
259 #ifdef EBCDIC
260     u = NATIVE_TO_UTF(u);
261 #endif
262     u &= UTF_START_MASK(len);
263     uv  = u;
264     ouv = uv;
265     while (slen--) {
266         if (!UTF8_IS_CONTINUATION(*s))
267             return 0;
268         uv = UTF8_ACCUMULATE(uv, *s);
269         if (uv < ouv)
270             return 0;
271         ouv = uv;
272         s++;
273     }
274
275     if ((STRLEN)UNISKIP(uv) < len)
276         return 0;
277
278     return len;
279 }
280
281 /*
282 =for apidoc is_utf8_char
283
284 Tests if some arbitrary number of bytes begins in a valid UTF-8
285 character.  Note that an INVARIANT (i.e. ASCII on non-EBCDIC machines)
286 character is a valid UTF-8 character.  The actual number of bytes in the UTF-8
287 character will be returned if it is valid, otherwise 0.
288
289 =cut */
290 STRLEN
291 Perl_is_utf8_char(const U8 *s)
292 {
293     const STRLEN len = UTF8SKIP(s);
294
295     PERL_ARGS_ASSERT_IS_UTF8_CHAR;
296 #ifdef IS_UTF8_CHAR
297     if (IS_UTF8_CHAR_FAST(len))
298         return IS_UTF8_CHAR(s, len) ? len : 0;
299 #endif /* #ifdef IS_UTF8_CHAR */
300     return is_utf8_char_slow(s, len);
301 }
302
303
304 /*
305 =for apidoc is_utf8_string
306
307 Returns true if first C<len> bytes of the given string form a valid
308 UTF-8 string, false otherwise.  If C<len> is 0, it will be calculated
309 using C<strlen(s)>.  Note that 'a valid UTF-8 string' does not mean 'a
310 string that contains code points above 0x7F encoded in UTF-8' because a
311 valid ASCII string is a valid UTF-8 string.
312
313 See also is_ascii_string(), is_utf8_string_loclen(), and is_utf8_string_loc().
314
315 =cut
316 */
317
318 bool
319 Perl_is_utf8_string(const U8 *s, STRLEN len)
320 {
321     const U8* const send = s + (len ? len : strlen((const char *)s));
322     const U8* x = s;
323
324     PERL_ARGS_ASSERT_IS_UTF8_STRING;
325
326     while (x < send) {
327         STRLEN c;
328          /* Inline the easy bits of is_utf8_char() here for speed... */
329          if (UTF8_IS_INVARIANT(*x))
330               c = 1;
331          else if (!UTF8_IS_START(*x))
332              goto out;
333          else {
334               /* ... and call is_utf8_char() only if really needed. */
335 #ifdef IS_UTF8_CHAR
336              c = UTF8SKIP(x);
337              if (IS_UTF8_CHAR_FAST(c)) {
338                  if (!IS_UTF8_CHAR(x, c))
339                      c = 0;
340              }
341              else
342                 c = is_utf8_char_slow(x, c);
343 #else
344              c = is_utf8_char(x);
345 #endif /* #ifdef IS_UTF8_CHAR */
346               if (!c)
347                   goto out;
348          }
349         x += c;
350     }
351
352  out:
353     if (x != send)
354         return FALSE;
355
356     return TRUE;
357 }
358
359 /*
360 Implemented as a macro in utf8.h
361
362 =for apidoc is_utf8_string_loc
363
364 Like is_utf8_string() but stores the location of the failure (in the
365 case of "utf8ness failure") or the location s+len (in the case of
366 "utf8ness success") in the C<ep>.
367
368 See also is_utf8_string_loclen() and is_utf8_string().
369
370 =for apidoc is_utf8_string_loclen
371
372 Like is_utf8_string() but stores the location of the failure (in the
373 case of "utf8ness failure") or the location s+len (in the case of
374 "utf8ness success") in the C<ep>, and the number of UTF-8
375 encoded characters in the C<el>.
376
377 See also is_utf8_string_loc() and is_utf8_string().
378
379 =cut
380 */
381
382 bool
383 Perl_is_utf8_string_loclen(const U8 *s, STRLEN len, const U8 **ep, STRLEN *el)
384 {
385     const U8* const send = s + (len ? len : strlen((const char *)s));
386     const U8* x = s;
387     STRLEN c;
388     STRLEN outlen = 0;
389
390     PERL_ARGS_ASSERT_IS_UTF8_STRING_LOCLEN;
391
392     while (x < send) {
393          /* Inline the easy bits of is_utf8_char() here for speed... */
394          if (UTF8_IS_INVARIANT(*x))
395              c = 1;
396          else if (!UTF8_IS_START(*x))
397              goto out;
398          else {
399              /* ... and call is_utf8_char() only if really needed. */
400 #ifdef IS_UTF8_CHAR
401              c = UTF8SKIP(x);
402              if (IS_UTF8_CHAR_FAST(c)) {
403                  if (!IS_UTF8_CHAR(x, c))
404                      c = 0;
405              } else
406                  c = is_utf8_char_slow(x, c);
407 #else
408              c = is_utf8_char(x);
409 #endif /* #ifdef IS_UTF8_CHAR */
410              if (!c)
411                  goto out;
412          }
413          x += c;
414          outlen++;
415     }
416
417  out:
418     if (el)
419         *el = outlen;
420
421     if (ep)
422         *ep = x;
423     return (x == send);
424 }
425
426 /*
427
428 =for apidoc utf8n_to_uvuni
429
430 Bottom level UTF-8 decode routine.
431 Returns the Unicode code point value of the first character in the string C<s>
432 which is assumed to be in UTF-8 encoding and no longer than C<curlen>;
433 C<retlen> will be set to the length, in bytes, of that character.
434
435 If C<s> does not point to a well-formed UTF-8 character, the behaviour
436 is dependent on the value of C<flags>: if it contains UTF8_CHECK_ONLY,
437 it is assumed that the caller will raise a warning, and this function
438 will silently just set C<retlen> to C<-1> and return zero.  If the
439 C<flags> does not contain UTF8_CHECK_ONLY, warnings about
440 malformations will be given, C<retlen> will be set to the expected
441 length of the UTF-8 character in bytes, and zero will be returned.
442
443 The C<flags> can also contain various flags to allow deviations from
444 the strict UTF-8 encoding (see F<utf8.h>).
445
446 Most code should use utf8_to_uvchr() rather than call this directly.
447
448 =cut
449 */
450
451 UV
452 Perl_utf8n_to_uvuni(pTHX_ const U8 *s, STRLEN curlen, STRLEN *retlen, U32 flags)
453 {
454     dVAR;
455     const U8 * const s0 = s;
456     UV uv = *s, ouv = 0;
457     STRLEN len = 1;
458     const bool dowarn = ckWARN_d(WARN_UTF8);
459     const UV startbyte = *s;
460     STRLEN expectlen = 0;
461     U32 warning = 0;
462     SV* sv;
463
464     PERL_ARGS_ASSERT_UTF8N_TO_UVUNI;
465
466 /* This list is a superset of the UTF8_ALLOW_XXX.  BUT it isn't, eg SUPER missing XXX */
467
468 #define UTF8_WARN_EMPTY                          1
469 #define UTF8_WARN_CONTINUATION                   2
470 #define UTF8_WARN_NON_CONTINUATION               3
471 #define UTF8_WARN_FE_FF                          4
472 #define UTF8_WARN_SHORT                          5
473 #define UTF8_WARN_OVERFLOW                       6
474 #define UTF8_WARN_SURROGATE                      7
475 #define UTF8_WARN_LONG                           8
476 #define UTF8_WARN_FFFF                           9 /* Also FFFE. */
477
478     if (curlen == 0 &&
479         !(flags & UTF8_ALLOW_EMPTY)) {
480         warning = UTF8_WARN_EMPTY;
481         goto malformed;
482     }
483
484     if (UTF8_IS_INVARIANT(uv)) {
485         if (retlen)
486             *retlen = 1;
487         return (UV) (NATIVE_TO_UTF(*s));
488     }
489
490     if (UTF8_IS_CONTINUATION(uv) &&
491         !(flags & UTF8_ALLOW_CONTINUATION)) {
492         warning = UTF8_WARN_CONTINUATION;
493         goto malformed;
494     }
495
496     if (UTF8_IS_START(uv) && curlen > 1 && !UTF8_IS_CONTINUATION(s[1]) &&
497         !(flags & UTF8_ALLOW_NON_CONTINUATION)) {
498         warning = UTF8_WARN_NON_CONTINUATION;
499         goto malformed;
500     }
501
502 #ifdef EBCDIC
503     uv = NATIVE_TO_UTF(uv);
504 #else
505     if ((uv == 0xfe || uv == 0xff) &&
506         !(flags & UTF8_ALLOW_FE_FF)) {
507         warning = UTF8_WARN_FE_FF;
508         goto malformed;
509     }
510 #endif
511
512     if      (!(uv & 0x20))      { len =  2; uv &= 0x1f; }
513     else if (!(uv & 0x10))      { len =  3; uv &= 0x0f; }
514     else if (!(uv & 0x08))      { len =  4; uv &= 0x07; }
515     else if (!(uv & 0x04))      { len =  5; uv &= 0x03; }
516 #ifdef EBCDIC
517     else if (!(uv & 0x02))      { len =  6; uv &= 0x01; }
518     else                        { len =  7; uv &= 0x01; }
519 #else
520     else if (!(uv & 0x02))      { len =  6; uv &= 0x01; }
521     else if (!(uv & 0x01))      { len =  7; uv = 0; }
522     else                        { len = 13; uv = 0; } /* whoa! */
523 #endif
524
525     if (retlen)
526         *retlen = len;
527
528     expectlen = len;
529
530     if ((curlen < expectlen) &&
531         !(flags & UTF8_ALLOW_SHORT)) {
532         warning = UTF8_WARN_SHORT;
533         goto malformed;
534     }
535
536     len--;
537     s++;
538     ouv = uv;
539
540     while (len--) {
541         if (!UTF8_IS_CONTINUATION(*s) &&
542             !(flags & UTF8_ALLOW_NON_CONTINUATION)) {
543             s--;
544             warning = UTF8_WARN_NON_CONTINUATION;
545             goto malformed;
546         }
547         else
548             uv = UTF8_ACCUMULATE(uv, *s);
549         if (!(uv > ouv)) {
550             /* These cannot be allowed. */
551             if (uv == ouv) {
552                 if (expectlen != 13 && !(flags & UTF8_ALLOW_LONG)) {
553                     warning = UTF8_WARN_LONG;
554                     goto malformed;
555                 }
556             }
557             else { /* uv < ouv */
558                 /* This cannot be allowed. */
559                 warning = UTF8_WARN_OVERFLOW;
560                 goto malformed;
561             }
562         }
563         s++;
564         ouv = uv;
565     }
566
567     if (UNICODE_IS_SURROGATE(uv) &&
568         !(flags & UTF8_ALLOW_SURROGATE)) {
569         warning = UTF8_WARN_SURROGATE;
570         goto malformed;
571     } else if ((expectlen > (STRLEN)UNISKIP(uv)) &&
572                !(flags & UTF8_ALLOW_LONG)) {
573         warning = UTF8_WARN_LONG;
574         goto malformed;
575     } else if (UNICODE_IS_ILLEGAL(uv) &&
576                !(flags & UTF8_ALLOW_FFFF)) {
577         warning = UTF8_WARN_FFFF;
578         goto malformed;
579     }
580
581     return uv;
582
583 malformed:
584
585     if (flags & UTF8_CHECK_ONLY) {
586         if (retlen)
587             *retlen = ((STRLEN) -1);
588         return 0;
589     }
590
591     if (dowarn) {
592         if (warning == UTF8_WARN_FFFF) {
593             sv = newSVpvs_flags("Unicode non-character ", SVs_TEMP);
594             Perl_sv_catpvf(aTHX_ sv, "0x%04"UVxf" is illegal for interchange", uv);
595         }
596         else {
597             sv = newSVpvs_flags("Malformed UTF-8 character ", SVs_TEMP);
598
599             switch (warning) {
600                 case 0: /* Intentionally empty. */ break;
601                 case UTF8_WARN_EMPTY:
602                     sv_catpvs(sv, "(empty string)");
603                     break;
604                 case UTF8_WARN_CONTINUATION:
605                     Perl_sv_catpvf(aTHX_ sv, "(unexpected continuation byte 0x%02"UVxf", with no preceding start byte)", uv);
606                     break;
607                 case UTF8_WARN_NON_CONTINUATION:
608                     if (s == s0)
609                         Perl_sv_catpvf(aTHX_ sv, "(unexpected non-continuation byte 0x%02"UVxf", immediately after start byte 0x%02"UVxf")",
610                                    (UV)s[1], startbyte);
611                     else {
612                         const int len = (int)(s-s0);
613                         Perl_sv_catpvf(aTHX_ sv, "(unexpected non-continuation byte 0x%02"UVxf", %d byte%s after start byte 0x%02"UVxf", expected %d bytes)",
614                                    (UV)s[1], len, len > 1 ? "s" : "", startbyte, (int)expectlen);
615                     }
616
617                     break;
618                 case UTF8_WARN_FE_FF:
619                     Perl_sv_catpvf(aTHX_ sv, "(byte 0x%02"UVxf")", uv);
620                     break;
621                 case UTF8_WARN_SHORT:
622                     Perl_sv_catpvf(aTHX_ sv, "(%d byte%s, need %d, after start byte 0x%02"UVxf")",
623                                    (int)curlen, curlen == 1 ? "" : "s", (int)expectlen, startbyte);
624                     expectlen = curlen;         /* distance for caller to skip */
625                     break;
626                 case UTF8_WARN_OVERFLOW:
627                     Perl_sv_catpvf(aTHX_ sv, "(overflow at 0x%"UVxf", byte 0x%02x, after start byte 0x%02"UVxf")",
628                                    ouv, *s, startbyte);
629                     break;
630                 case UTF8_WARN_SURROGATE:
631                     Perl_sv_catpvf(aTHX_ sv, "(UTF-16 surrogate 0x%04"UVxf")", uv);
632                     break;
633                 case UTF8_WARN_LONG:
634                     Perl_sv_catpvf(aTHX_ sv, "(%d byte%s, need %d, after start byte 0x%02"UVxf")",
635                                    (int)expectlen, expectlen == 1 ? "": "s", UNISKIP(uv), startbyte);
636                     break;
637                 default:
638                     sv_catpvs(sv, "(unknown reason)");
639                     break;
640             }
641         }
642         
643         if (warning) {
644             const char * const s = SvPVX_const(sv);
645
646             if (PL_op)
647                 Perl_warner(aTHX_ packWARN(WARN_UTF8),
648                             "%s in %s", s,  OP_DESC(PL_op));
649             else
650                 Perl_warner(aTHX_ packWARN(WARN_UTF8), "%s", s);
651         }
652     }
653
654     if (retlen)
655         *retlen = expectlen ? expectlen : len;
656
657     return 0;
658 }
659
660 /*
661 =for apidoc utf8_to_uvchr
662
663 Returns the native character value of the first character in the string C<s>
664 which is assumed to be in UTF-8 encoding; C<retlen> will be set to the
665 length, in bytes, of that character.
666
667 If C<s> does not point to a well-formed UTF-8 character, zero is
668 returned and retlen is set, if possible, to -1.
669
670 =cut
671 */
672
673 UV
674 Perl_utf8_to_uvchr(pTHX_ const U8 *s, STRLEN *retlen)
675 {
676     PERL_ARGS_ASSERT_UTF8_TO_UVCHR;
677
678     return utf8n_to_uvchr(s, UTF8_MAXBYTES, retlen,
679                           ckWARN(WARN_UTF8) ? 0 : UTF8_ALLOW_ANY);
680 }
681
682 /*
683 =for apidoc utf8_to_uvuni
684
685 Returns the Unicode code point of the first character in the string C<s>
686 which is assumed to be in UTF-8 encoding; C<retlen> will be set to the
687 length, in bytes, of that character.
688
689 This function should only be used when the returned UV is considered
690 an index into the Unicode semantic tables (e.g. swashes).
691
692 If C<s> does not point to a well-formed UTF-8 character, zero is
693 returned and retlen is set, if possible, to -1.
694
695 =cut
696 */
697
698 UV
699 Perl_utf8_to_uvuni(pTHX_ const U8 *s, STRLEN *retlen)
700 {
701     PERL_ARGS_ASSERT_UTF8_TO_UVUNI;
702
703     /* Call the low level routine asking for checks */
704     return Perl_utf8n_to_uvuni(aTHX_ s, UTF8_MAXBYTES, retlen,
705                                ckWARN(WARN_UTF8) ? 0 : UTF8_ALLOW_ANY);
706 }
707
708 /*
709 =for apidoc utf8_length
710
711 Return the length of the UTF-8 char encoded string C<s> in characters.
712 Stops at C<e> (inclusive).  If C<e E<lt> s> or if the scan would end
713 up past C<e>, croaks.
714
715 =cut
716 */
717
718 STRLEN
719 Perl_utf8_length(pTHX_ const U8 *s, const U8 *e)
720 {
721     dVAR;
722     STRLEN len = 0;
723
724     PERL_ARGS_ASSERT_UTF8_LENGTH;
725
726     /* Note: cannot use UTF8_IS_...() too eagerly here since e.g.
727      * the bitops (especially ~) can create illegal UTF-8.
728      * In other words: in Perl UTF-8 is not just for Unicode. */
729
730     if (e < s)
731         goto warn_and_return;
732     while (s < e) {
733         if (!UTF8_IS_INVARIANT(*s))
734             s += UTF8SKIP(s);
735         else
736             s++;
737         len++;
738     }
739
740     if (e != s) {
741         len--;
742         warn_and_return:
743         if (PL_op)
744             Perl_ck_warner_d(aTHX_ packWARN(WARN_UTF8),
745                              "%s in %s", unees, OP_DESC(PL_op));
746         else
747             Perl_ck_warner_d(aTHX_ packWARN(WARN_UTF8), unees);
748     }
749
750     return len;
751 }
752
753 /*
754 =for apidoc utf8_distance
755
756 Returns the number of UTF-8 characters between the UTF-8 pointers C<a>
757 and C<b>.
758
759 WARNING: use only if you *know* that the pointers point inside the
760 same UTF-8 buffer.
761
762 =cut
763 */
764
765 IV
766 Perl_utf8_distance(pTHX_ const U8 *a, const U8 *b)
767 {
768     PERL_ARGS_ASSERT_UTF8_DISTANCE;
769
770     return (a < b) ? -1 * (IV) utf8_length(a, b) : (IV) utf8_length(b, a);
771 }
772
773 /*
774 =for apidoc utf8_hop
775
776 Return the UTF-8 pointer C<s> displaced by C<off> characters, either
777 forward or backward.
778
779 WARNING: do not use the following unless you *know* C<off> is within
780 the UTF-8 data pointed to by C<s> *and* that on entry C<s> is aligned
781 on the first byte of character or just after the last byte of a character.
782
783 =cut
784 */
785
786 U8 *
787 Perl_utf8_hop(pTHX_ const U8 *s, I32 off)
788 {
789     PERL_ARGS_ASSERT_UTF8_HOP;
790
791     PERL_UNUSED_CONTEXT;
792     /* Note: cannot use UTF8_IS_...() too eagerly here since e.g
793      * the bitops (especially ~) can create illegal UTF-8.
794      * In other words: in Perl UTF-8 is not just for Unicode. */
795
796     if (off >= 0) {
797         while (off--)
798             s += UTF8SKIP(s);
799     }
800     else {
801         while (off++) {
802             s--;
803             while (UTF8_IS_CONTINUATION(*s))
804                 s--;
805         }
806     }
807     return (U8 *)s;
808 }
809
810 /*
811 =for apidoc bytes_cmp_utf8
812
813 Compares the sequence of characters (stored as octets) in b, blen with the
814 sequence of characters (stored as UTF-8) in u, ulen. Returns 0 if they are
815 equal, -1 or -2 if the first string is less than the second string, +1 or +2
816 if the first string is greater than the second string.
817
818 -1 or +1 is returned if the shorter string was identical to the start of the
819 longer string. -2 or +2 is returned if the was a difference between characters
820 within the strings.
821
822 =cut
823 */
824
825 int
826 Perl_bytes_cmp_utf8(pTHX_ const U8 *b, STRLEN blen, const U8 *u, STRLEN ulen)
827 {
828     const U8 *const bend = b + blen;
829     const U8 *const uend = u + ulen;
830
831     PERL_ARGS_ASSERT_BYTES_CMP_UTF8;
832
833     PERL_UNUSED_CONTEXT;
834
835     while (b < bend && u < uend) {
836         U8 c = *u++;
837         if (!UTF8_IS_INVARIANT(c)) {
838             if (UTF8_IS_DOWNGRADEABLE_START(c)) {
839                 if (u < uend) {
840                     U8 c1 = *u++;
841                     if (UTF8_IS_CONTINUATION(c1)) {
842                         c = UNI_TO_NATIVE(TWO_BYTE_UTF8_TO_UNI(c, c1));
843                     } else {
844                         Perl_ck_warner_d(aTHX_ packWARN(WARN_UTF8),
845                                          "Malformed UTF-8 character "
846                                          "(unexpected non-continuation byte 0x%02x"
847                                          ", immediately after start byte 0x%02x)"
848                                          /* Dear diag.t, it's in the pod.  */
849                                          "%s%s", c1, c,
850                                          PL_op ? " in " : "",
851                                          PL_op ? OP_DESC(PL_op) : "");
852                         return -2;
853                     }
854                 } else {
855                     if (PL_op)
856                         Perl_ck_warner_d(aTHX_ packWARN(WARN_UTF8),
857                                          "%s in %s", unees, OP_DESC(PL_op));
858                     else
859                         Perl_ck_warner_d(aTHX_ packWARN(WARN_UTF8), unees);
860                     return -2; /* Really want to return undef :-)  */
861                 }
862             } else {
863                 return -2;
864             }
865         }
866         if (*b != c) {
867             return *b < c ? -2 : +2;
868         }
869         ++b;
870     }
871
872     if (b == bend && u == uend)
873         return 0;
874
875     return b < bend ? +1 : -1;
876 }
877
878 /*
879 =for apidoc utf8_to_bytes
880
881 Converts a string C<s> of length C<len> from UTF-8 into native byte encoding.
882 Unlike C<bytes_to_utf8>, this over-writes the original string, and
883 updates len to contain the new length.
884 Returns zero on failure, setting C<len> to -1.
885
886 If you need a copy of the string, see C<bytes_from_utf8>.
887
888 =cut
889 */
890
891 U8 *
892 Perl_utf8_to_bytes(pTHX_ U8 *s, STRLEN *len)
893 {
894     U8 * const save = s;
895     U8 * const send = s + *len;
896     U8 *d;
897
898     PERL_ARGS_ASSERT_UTF8_TO_BYTES;
899
900     /* ensure valid UTF-8 and chars < 256 before updating string */
901     while (s < send) {
902         U8 c = *s++;
903
904         if (!UTF8_IS_INVARIANT(c) &&
905             (!UTF8_IS_DOWNGRADEABLE_START(c) || (s >= send)
906              || !(c = *s++) || !UTF8_IS_CONTINUATION(c))) {
907             *len = ((STRLEN) -1);
908             return 0;
909         }
910     }
911
912     d = s = save;
913     while (s < send) {
914         STRLEN ulen;
915         *d++ = (U8)utf8_to_uvchr(s, &ulen);
916         s += ulen;
917     }
918     *d = '\0';
919     *len = d - save;
920     return save;
921 }
922
923 /*
924 =for apidoc bytes_from_utf8
925
926 Converts a string C<s> of length C<len> from UTF-8 into native byte encoding.
927 Unlike C<utf8_to_bytes> but like C<bytes_to_utf8>, returns a pointer to
928 the newly-created string, and updates C<len> to contain the new
929 length.  Returns the original string if no conversion occurs, C<len>
930 is unchanged. Do nothing if C<is_utf8> points to 0. Sets C<is_utf8> to
931 0 if C<s> is converted or consisted entirely of characters that are invariant
932 in utf8 (i.e., US-ASCII on non-EBCDIC machines).
933
934 =cut
935 */
936
937 U8 *
938 Perl_bytes_from_utf8(pTHX_ const U8 *s, STRLEN *len, bool *is_utf8)
939 {
940     U8 *d;
941     const U8 *start = s;
942     const U8 *send;
943     I32 count = 0;
944
945     PERL_ARGS_ASSERT_BYTES_FROM_UTF8;
946
947     PERL_UNUSED_CONTEXT;
948     if (!*is_utf8)
949         return (U8 *)start;
950
951     /* ensure valid UTF-8 and chars < 256 before converting string */
952     for (send = s + *len; s < send;) {
953         U8 c = *s++;
954         if (!UTF8_IS_INVARIANT(c)) {
955             if (UTF8_IS_DOWNGRADEABLE_START(c) && s < send &&
956                 (c = *s++) && UTF8_IS_CONTINUATION(c))
957                 count++;
958             else
959                 return (U8 *)start;
960         }
961     }
962
963     *is_utf8 = FALSE;
964
965     Newx(d, (*len) - count + 1, U8);
966     s = start; start = d;
967     while (s < send) {
968         U8 c = *s++;
969         if (!UTF8_IS_INVARIANT(c)) {
970             /* Then it is two-byte encoded */
971             c = UNI_TO_NATIVE(TWO_BYTE_UTF8_TO_UNI(c, *s++));
972         }
973         *d++ = c;
974     }
975     *d = '\0';
976     *len = d - start;
977     return (U8 *)start;
978 }
979
980 /*
981 =for apidoc bytes_to_utf8
982
983 Converts a string C<s> of length C<len> from the native encoding into UTF-8.
984 Returns a pointer to the newly-created string, and sets C<len> to
985 reflect the new length.
986
987 A NUL character will be written after the end of the string.
988
989 If you want to convert to UTF-8 from encodings other than
990 the native (Latin1 or EBCDIC),
991 see sv_recode_to_utf8().
992
993 =cut
994 */
995
996 U8*
997 Perl_bytes_to_utf8(pTHX_ const U8 *s, STRLEN *len)
998 {
999     const U8 * const send = s + (*len);
1000     U8 *d;
1001     U8 *dst;
1002
1003     PERL_ARGS_ASSERT_BYTES_TO_UTF8;
1004     PERL_UNUSED_CONTEXT;
1005
1006     Newx(d, (*len) * 2 + 1, U8);
1007     dst = d;
1008
1009     while (s < send) {
1010         const UV uv = NATIVE_TO_ASCII(*s++);
1011         if (UNI_IS_INVARIANT(uv))
1012             *d++ = (U8)UTF_TO_NATIVE(uv);
1013         else {
1014             *d++ = (U8)UTF8_EIGHT_BIT_HI(uv);
1015             *d++ = (U8)UTF8_EIGHT_BIT_LO(uv);
1016         }
1017     }
1018     *d = '\0';
1019     *len = d-dst;
1020     return dst;
1021 }
1022
1023 /*
1024  * Convert native (big-endian) or reversed (little-endian) UTF-16 to UTF-8.
1025  *
1026  * Destination must be pre-extended to 3/2 source.  Do not use in-place.
1027  * We optimize for native, for obvious reasons. */
1028
1029 U8*
1030 Perl_utf16_to_utf8(pTHX_ U8* p, U8* d, I32 bytelen, I32 *newlen)
1031 {
1032     U8* pend;
1033     U8* dstart = d;
1034
1035     PERL_ARGS_ASSERT_UTF16_TO_UTF8;
1036
1037     if (bytelen & 1)
1038         Perl_croak(aTHX_ "panic: utf16_to_utf8: odd bytelen %"UVuf, (UV)bytelen);
1039
1040     pend = p + bytelen;
1041
1042     while (p < pend) {
1043         UV uv = (p[0] << 8) + p[1]; /* UTF-16BE */
1044         p += 2;
1045         if (uv < 0x80) {
1046 #ifdef EBCDIC
1047             *d++ = UNI_TO_NATIVE(uv);
1048 #else
1049             *d++ = (U8)uv;
1050 #endif
1051             continue;
1052         }
1053         if (uv < 0x800) {
1054             *d++ = (U8)(( uv >>  6)         | 0xc0);
1055             *d++ = (U8)(( uv        & 0x3f) | 0x80);
1056             continue;
1057         }
1058         if (uv >= 0xd800 && uv <= 0xdbff) {     /* surrogates */
1059             if (p >= pend) {
1060                 Perl_croak(aTHX_ "Malformed UTF-16 surrogate");
1061             } else {
1062                 UV low = (p[0] << 8) + p[1];
1063                 p += 2;
1064                 if (low < 0xdc00 || low > 0xdfff)
1065                     Perl_croak(aTHX_ "Malformed UTF-16 surrogate");
1066                 uv = ((uv - 0xd800) << 10) + (low - 0xdc00) + 0x10000;
1067             }
1068         } else if (uv >= 0xdc00 && uv <= 0xdfff) {
1069             Perl_croak(aTHX_ "Malformed UTF-16 surrogate");
1070         }
1071         if (uv < 0x10000) {
1072             *d++ = (U8)(( uv >> 12)         | 0xe0);
1073             *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
1074             *d++ = (U8)(( uv        & 0x3f) | 0x80);
1075             continue;
1076         }
1077         else {
1078             *d++ = (U8)(( uv >> 18)         | 0xf0);
1079             *d++ = (U8)(((uv >> 12) & 0x3f) | 0x80);
1080             *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
1081             *d++ = (U8)(( uv        & 0x3f) | 0x80);
1082             continue;
1083         }
1084     }
1085     *newlen = d - dstart;
1086     return d;
1087 }
1088
1089 /* Note: this one is slightly destructive of the source. */
1090
1091 U8*
1092 Perl_utf16_to_utf8_reversed(pTHX_ U8* p, U8* d, I32 bytelen, I32 *newlen)
1093 {
1094     U8* s = (U8*)p;
1095     U8* const send = s + bytelen;
1096
1097     PERL_ARGS_ASSERT_UTF16_TO_UTF8_REVERSED;
1098
1099     if (bytelen & 1)
1100         Perl_croak(aTHX_ "panic: utf16_to_utf8_reversed: odd bytelen %"UVuf,
1101                    (UV)bytelen);
1102
1103     while (s < send) {
1104         const U8 tmp = s[0];
1105         s[0] = s[1];
1106         s[1] = tmp;
1107         s += 2;
1108     }
1109     return utf16_to_utf8(p, d, bytelen, newlen);
1110 }
1111
1112 /* for now these are all defined (inefficiently) in terms of the utf8 versions */
1113
1114 bool
1115 Perl_is_uni_alnum(pTHX_ UV c)
1116 {
1117     U8 tmpbuf[UTF8_MAXBYTES+1];
1118     uvchr_to_utf8(tmpbuf, c);
1119     return is_utf8_alnum(tmpbuf);
1120 }
1121
1122 bool
1123 Perl_is_uni_idfirst(pTHX_ UV c)
1124 {
1125     U8 tmpbuf[UTF8_MAXBYTES+1];
1126     uvchr_to_utf8(tmpbuf, c);
1127     return is_utf8_idfirst(tmpbuf);
1128 }
1129
1130 bool
1131 Perl_is_uni_alpha(pTHX_ UV c)
1132 {
1133     U8 tmpbuf[UTF8_MAXBYTES+1];
1134     uvchr_to_utf8(tmpbuf, c);
1135     return is_utf8_alpha(tmpbuf);
1136 }
1137
1138 bool
1139 Perl_is_uni_ascii(pTHX_ UV c)
1140 {
1141     U8 tmpbuf[UTF8_MAXBYTES+1];
1142     uvchr_to_utf8(tmpbuf, c);
1143     return is_utf8_ascii(tmpbuf);
1144 }
1145
1146 bool
1147 Perl_is_uni_space(pTHX_ UV c)
1148 {
1149     U8 tmpbuf[UTF8_MAXBYTES+1];
1150     uvchr_to_utf8(tmpbuf, c);
1151     return is_utf8_space(tmpbuf);
1152 }
1153
1154 bool
1155 Perl_is_uni_digit(pTHX_ UV c)
1156 {
1157     U8 tmpbuf[UTF8_MAXBYTES+1];
1158     uvchr_to_utf8(tmpbuf, c);
1159     return is_utf8_digit(tmpbuf);
1160 }
1161
1162 bool
1163 Perl_is_uni_upper(pTHX_ UV c)
1164 {
1165     U8 tmpbuf[UTF8_MAXBYTES+1];
1166     uvchr_to_utf8(tmpbuf, c);
1167     return is_utf8_upper(tmpbuf);
1168 }
1169
1170 bool
1171 Perl_is_uni_lower(pTHX_ UV c)
1172 {
1173     U8 tmpbuf[UTF8_MAXBYTES+1];
1174     uvchr_to_utf8(tmpbuf, c);
1175     return is_utf8_lower(tmpbuf);
1176 }
1177
1178 bool
1179 Perl_is_uni_cntrl(pTHX_ UV c)
1180 {
1181     U8 tmpbuf[UTF8_MAXBYTES+1];
1182     uvchr_to_utf8(tmpbuf, c);
1183     return is_utf8_cntrl(tmpbuf);
1184 }
1185
1186 bool
1187 Perl_is_uni_graph(pTHX_ UV c)
1188 {
1189     U8 tmpbuf[UTF8_MAXBYTES+1];
1190     uvchr_to_utf8(tmpbuf, c);
1191     return is_utf8_graph(tmpbuf);
1192 }
1193
1194 bool
1195 Perl_is_uni_print(pTHX_ UV c)
1196 {
1197     U8 tmpbuf[UTF8_MAXBYTES+1];
1198     uvchr_to_utf8(tmpbuf, c);
1199     return is_utf8_print(tmpbuf);
1200 }
1201
1202 bool
1203 Perl_is_uni_punct(pTHX_ UV c)
1204 {
1205     U8 tmpbuf[UTF8_MAXBYTES+1];
1206     uvchr_to_utf8(tmpbuf, c);
1207     return is_utf8_punct(tmpbuf);
1208 }
1209
1210 bool
1211 Perl_is_uni_xdigit(pTHX_ UV c)
1212 {
1213     U8 tmpbuf[UTF8_MAXBYTES_CASE+1];
1214     uvchr_to_utf8(tmpbuf, c);
1215     return is_utf8_xdigit(tmpbuf);
1216 }
1217
1218 UV
1219 Perl_to_uni_upper(pTHX_ UV c, U8* p, STRLEN *lenp)
1220 {
1221     PERL_ARGS_ASSERT_TO_UNI_UPPER;
1222
1223     uvchr_to_utf8(p, c);
1224     return to_utf8_upper(p, p, lenp);
1225 }
1226
1227 UV
1228 Perl_to_uni_title(pTHX_ UV c, U8* p, STRLEN *lenp)
1229 {
1230     PERL_ARGS_ASSERT_TO_UNI_TITLE;
1231
1232     uvchr_to_utf8(p, c);
1233     return to_utf8_title(p, p, lenp);
1234 }
1235
1236 UV
1237 Perl_to_uni_lower(pTHX_ UV c, U8* p, STRLEN *lenp)
1238 {
1239     PERL_ARGS_ASSERT_TO_UNI_LOWER;
1240
1241     uvchr_to_utf8(p, c);
1242     return to_utf8_lower(p, p, lenp);
1243 }
1244
1245 UV
1246 Perl_to_uni_fold(pTHX_ UV c, U8* p, STRLEN *lenp)
1247 {
1248     PERL_ARGS_ASSERT_TO_UNI_FOLD;
1249
1250     uvchr_to_utf8(p, c);
1251     return to_utf8_fold(p, p, lenp);
1252 }
1253
1254 /* for now these all assume no locale info available for Unicode > 255 */
1255
1256 bool
1257 Perl_is_uni_alnum_lc(pTHX_ UV c)
1258 {
1259     return is_uni_alnum(c);     /* XXX no locale support yet */
1260 }
1261
1262 bool
1263 Perl_is_uni_idfirst_lc(pTHX_ UV c)
1264 {
1265     return is_uni_idfirst(c);   /* XXX no locale support yet */
1266 }
1267
1268 bool
1269 Perl_is_uni_alpha_lc(pTHX_ UV c)
1270 {
1271     return is_uni_alpha(c);     /* XXX no locale support yet */
1272 }
1273
1274 bool
1275 Perl_is_uni_ascii_lc(pTHX_ UV c)
1276 {
1277     return is_uni_ascii(c);     /* XXX no locale support yet */
1278 }
1279
1280 bool
1281 Perl_is_uni_space_lc(pTHX_ UV c)
1282 {
1283     return is_uni_space(c);     /* XXX no locale support yet */
1284 }
1285
1286 bool
1287 Perl_is_uni_digit_lc(pTHX_ UV c)
1288 {
1289     return is_uni_digit(c);     /* XXX no locale support yet */
1290 }
1291
1292 bool
1293 Perl_is_uni_upper_lc(pTHX_ UV c)
1294 {
1295     return is_uni_upper(c);     /* XXX no locale support yet */
1296 }
1297
1298 bool
1299 Perl_is_uni_lower_lc(pTHX_ UV c)
1300 {
1301     return is_uni_lower(c);     /* XXX no locale support yet */
1302 }
1303
1304 bool
1305 Perl_is_uni_cntrl_lc(pTHX_ UV c)
1306 {
1307     return is_uni_cntrl(c);     /* XXX no locale support yet */
1308 }
1309
1310 bool
1311 Perl_is_uni_graph_lc(pTHX_ UV c)
1312 {
1313     return is_uni_graph(c);     /* XXX no locale support yet */
1314 }
1315
1316 bool
1317 Perl_is_uni_print_lc(pTHX_ UV c)
1318 {
1319     return is_uni_print(c);     /* XXX no locale support yet */
1320 }
1321
1322 bool
1323 Perl_is_uni_punct_lc(pTHX_ UV c)
1324 {
1325     return is_uni_punct(c);     /* XXX no locale support yet */
1326 }
1327
1328 bool
1329 Perl_is_uni_xdigit_lc(pTHX_ UV c)
1330 {
1331     return is_uni_xdigit(c);    /* XXX no locale support yet */
1332 }
1333
1334 U32
1335 Perl_to_uni_upper_lc(pTHX_ U32 c)
1336 {
1337     /* XXX returns only the first character -- do not use XXX */
1338     /* XXX no locale support yet */
1339     STRLEN len;
1340     U8 tmpbuf[UTF8_MAXBYTES_CASE+1];
1341     return (U32)to_uni_upper(c, tmpbuf, &len);
1342 }
1343
1344 U32
1345 Perl_to_uni_title_lc(pTHX_ U32 c)
1346 {
1347     /* XXX returns only the first character XXX -- do not use XXX */
1348     /* XXX no locale support yet */
1349     STRLEN len;
1350     U8 tmpbuf[UTF8_MAXBYTES_CASE+1];
1351     return (U32)to_uni_title(c, tmpbuf, &len);
1352 }
1353
1354 U32
1355 Perl_to_uni_lower_lc(pTHX_ U32 c)
1356 {
1357     /* XXX returns only the first character -- do not use XXX */
1358     /* XXX no locale support yet */
1359     STRLEN len;
1360     U8 tmpbuf[UTF8_MAXBYTES_CASE+1];
1361     return (U32)to_uni_lower(c, tmpbuf, &len);
1362 }
1363
1364 static bool
1365 S_is_utf8_common(pTHX_ const U8 *const p, SV **swash,
1366                  const char *const swashname)
1367 {
1368     dVAR;
1369
1370     PERL_ARGS_ASSERT_IS_UTF8_COMMON;
1371
1372     if (!is_utf8_char(p))
1373         return FALSE;
1374     if (!*swash)
1375         *swash = swash_init("utf8", swashname, &PL_sv_undef, 1, 0);
1376     return swash_fetch(*swash, p, TRUE) != 0;
1377 }
1378
1379 bool
1380 Perl_is_utf8_alnum(pTHX_ const U8 *p)
1381 {
1382     dVAR;
1383
1384     PERL_ARGS_ASSERT_IS_UTF8_ALNUM;
1385
1386     /* NOTE: "IsWord", not "IsAlnum", since Alnum is a true
1387      * descendant of isalnum(3), in other words, it doesn't
1388      * contain the '_'. --jhi */
1389     return is_utf8_common(p, &PL_utf8_alnum, "IsWord");
1390 }
1391
1392 bool
1393 Perl_is_utf8_idfirst(pTHX_ const U8 *p) /* The naming is historical. */
1394 {
1395     dVAR;
1396
1397     PERL_ARGS_ASSERT_IS_UTF8_IDFIRST;
1398
1399     if (*p == '_')
1400         return TRUE;
1401     /* is_utf8_idstart would be more logical. */
1402     return is_utf8_common(p, &PL_utf8_idstart, "IdStart");
1403 }
1404
1405 bool
1406 Perl_is_utf8_idcont(pTHX_ const U8 *p)
1407 {
1408     dVAR;
1409
1410     PERL_ARGS_ASSERT_IS_UTF8_IDCONT;
1411
1412     if (*p == '_')
1413         return TRUE;
1414     return is_utf8_common(p, &PL_utf8_idcont, "IdContinue");
1415 }
1416
1417 bool
1418 Perl_is_utf8_alpha(pTHX_ const U8 *p)
1419 {
1420     dVAR;
1421
1422     PERL_ARGS_ASSERT_IS_UTF8_ALPHA;
1423
1424     return is_utf8_common(p, &PL_utf8_alpha, "IsAlpha");
1425 }
1426
1427 bool
1428 Perl_is_utf8_ascii(pTHX_ const U8 *p)
1429 {
1430     dVAR;
1431
1432     PERL_ARGS_ASSERT_IS_UTF8_ASCII;
1433
1434     return is_utf8_common(p, &PL_utf8_ascii, "IsAscii");
1435 }
1436
1437 bool
1438 Perl_is_utf8_space(pTHX_ const U8 *p)
1439 {
1440     dVAR;
1441
1442     PERL_ARGS_ASSERT_IS_UTF8_SPACE;
1443
1444     return is_utf8_common(p, &PL_utf8_space, "IsSpacePerl");
1445 }
1446
1447 bool
1448 Perl_is_utf8_perl_space(pTHX_ const U8 *p)
1449 {
1450     dVAR;
1451
1452     PERL_ARGS_ASSERT_IS_UTF8_PERL_SPACE;
1453
1454     return is_utf8_common(p, &PL_utf8_perl_space, "IsPerlSpace");
1455 }
1456
1457 bool
1458 Perl_is_utf8_perl_word(pTHX_ const U8 *p)
1459 {
1460     dVAR;
1461
1462     PERL_ARGS_ASSERT_IS_UTF8_PERL_WORD;
1463
1464     return is_utf8_common(p, &PL_utf8_perl_word, "IsPerlWord");
1465 }
1466
1467 bool
1468 Perl_is_utf8_digit(pTHX_ const U8 *p)
1469 {
1470     dVAR;
1471
1472     PERL_ARGS_ASSERT_IS_UTF8_DIGIT;
1473
1474     return is_utf8_common(p, &PL_utf8_digit, "IsDigit");
1475 }
1476
1477 bool
1478 Perl_is_utf8_posix_digit(pTHX_ const U8 *p)
1479 {
1480     dVAR;
1481
1482     PERL_ARGS_ASSERT_IS_UTF8_POSIX_DIGIT;
1483
1484     return is_utf8_common(p, &PL_utf8_posix_digit, "IsPosixDigit");
1485 }
1486
1487 bool
1488 Perl_is_utf8_upper(pTHX_ const U8 *p)
1489 {
1490     dVAR;
1491
1492     PERL_ARGS_ASSERT_IS_UTF8_UPPER;
1493
1494     return is_utf8_common(p, &PL_utf8_upper, "IsUppercase");
1495 }
1496
1497 bool
1498 Perl_is_utf8_lower(pTHX_ const U8 *p)
1499 {
1500     dVAR;
1501
1502     PERL_ARGS_ASSERT_IS_UTF8_LOWER;
1503
1504     return is_utf8_common(p, &PL_utf8_lower, "IsLowercase");
1505 }
1506
1507 bool
1508 Perl_is_utf8_cntrl(pTHX_ const U8 *p)
1509 {
1510     dVAR;
1511
1512     PERL_ARGS_ASSERT_IS_UTF8_CNTRL;
1513
1514     return is_utf8_common(p, &PL_utf8_cntrl, "IsCntrl");
1515 }
1516
1517 bool
1518 Perl_is_utf8_graph(pTHX_ const U8 *p)
1519 {
1520     dVAR;
1521
1522     PERL_ARGS_ASSERT_IS_UTF8_GRAPH;
1523
1524     return is_utf8_common(p, &PL_utf8_graph, "IsGraph");
1525 }
1526
1527 bool
1528 Perl_is_utf8_print(pTHX_ const U8 *p)
1529 {
1530     dVAR;
1531
1532     PERL_ARGS_ASSERT_IS_UTF8_PRINT;
1533
1534     return is_utf8_common(p, &PL_utf8_print, "IsPrint");
1535 }
1536
1537 bool
1538 Perl_is_utf8_punct(pTHX_ const U8 *p)
1539 {
1540     dVAR;
1541
1542     PERL_ARGS_ASSERT_IS_UTF8_PUNCT;
1543
1544     return is_utf8_common(p, &PL_utf8_punct, "IsPunct");
1545 }
1546
1547 bool
1548 Perl_is_utf8_xdigit(pTHX_ const U8 *p)
1549 {
1550     dVAR;
1551
1552     PERL_ARGS_ASSERT_IS_UTF8_XDIGIT;
1553
1554     return is_utf8_common(p, &PL_utf8_xdigit, "IsXDigit");
1555 }
1556
1557 bool
1558 Perl_is_utf8_mark(pTHX_ const U8 *p)
1559 {
1560     dVAR;
1561
1562     PERL_ARGS_ASSERT_IS_UTF8_MARK;
1563
1564     return is_utf8_common(p, &PL_utf8_mark, "IsM");
1565 }
1566
1567 bool
1568 Perl_is_utf8_X_begin(pTHX_ const U8 *p)
1569 {
1570     dVAR;
1571
1572     PERL_ARGS_ASSERT_IS_UTF8_X_BEGIN;
1573
1574     return is_utf8_common(p, &PL_utf8_X_begin, "_X_Begin");
1575 }
1576
1577 bool
1578 Perl_is_utf8_X_extend(pTHX_ const U8 *p)
1579 {
1580     dVAR;
1581
1582     PERL_ARGS_ASSERT_IS_UTF8_X_EXTEND;
1583
1584     return is_utf8_common(p, &PL_utf8_X_extend, "_X_Extend");
1585 }
1586
1587 bool
1588 Perl_is_utf8_X_prepend(pTHX_ const U8 *p)
1589 {
1590     dVAR;
1591
1592     PERL_ARGS_ASSERT_IS_UTF8_X_PREPEND;
1593
1594     return is_utf8_common(p, &PL_utf8_X_prepend, "GCB=Prepend");
1595 }
1596
1597 bool
1598 Perl_is_utf8_X_non_hangul(pTHX_ const U8 *p)
1599 {
1600     dVAR;
1601
1602     PERL_ARGS_ASSERT_IS_UTF8_X_NON_HANGUL;
1603
1604     return is_utf8_common(p, &PL_utf8_X_non_hangul, "HST=Not_Applicable");
1605 }
1606
1607 bool
1608 Perl_is_utf8_X_L(pTHX_ const U8 *p)
1609 {
1610     dVAR;
1611
1612     PERL_ARGS_ASSERT_IS_UTF8_X_L;
1613
1614     return is_utf8_common(p, &PL_utf8_X_L, "GCB=L");
1615 }
1616
1617 bool
1618 Perl_is_utf8_X_LV(pTHX_ const U8 *p)
1619 {
1620     dVAR;
1621
1622     PERL_ARGS_ASSERT_IS_UTF8_X_LV;
1623
1624     return is_utf8_common(p, &PL_utf8_X_LV, "GCB=LV");
1625 }
1626
1627 bool
1628 Perl_is_utf8_X_LVT(pTHX_ const U8 *p)
1629 {
1630     dVAR;
1631
1632     PERL_ARGS_ASSERT_IS_UTF8_X_LVT;
1633
1634     return is_utf8_common(p, &PL_utf8_X_LVT, "GCB=LVT");
1635 }
1636
1637 bool
1638 Perl_is_utf8_X_T(pTHX_ const U8 *p)
1639 {
1640     dVAR;
1641
1642     PERL_ARGS_ASSERT_IS_UTF8_X_T;
1643
1644     return is_utf8_common(p, &PL_utf8_X_T, "GCB=T");
1645 }
1646
1647 bool
1648 Perl_is_utf8_X_V(pTHX_ const U8 *p)
1649 {
1650     dVAR;
1651
1652     PERL_ARGS_ASSERT_IS_UTF8_X_V;
1653
1654     return is_utf8_common(p, &PL_utf8_X_V, "GCB=V");
1655 }
1656
1657 bool
1658 Perl_is_utf8_X_LV_LVT_V(pTHX_ const U8 *p)
1659 {
1660     dVAR;
1661
1662     PERL_ARGS_ASSERT_IS_UTF8_X_LV_LVT_V;
1663
1664     return is_utf8_common(p, &PL_utf8_X_LV_LVT_V, "_X_LV_LVT_V");
1665 }
1666
1667 /*
1668 =for apidoc to_utf8_case
1669
1670 The "p" contains the pointer to the UTF-8 string encoding
1671 the character that is being converted.
1672
1673 The "ustrp" is a pointer to the character buffer to put the
1674 conversion result to.  The "lenp" is a pointer to the length
1675 of the result.
1676
1677 The "swashp" is a pointer to the swash to use.
1678
1679 Both the special and normal mappings are stored lib/unicore/To/Foo.pl,
1680 and loaded by SWASHNEW, using lib/utf8_heavy.pl.  The special (usually,
1681 but not always, a multicharacter mapping), is tried first.
1682
1683 The "special" is a string like "utf8::ToSpecLower", which means the
1684 hash %utf8::ToSpecLower.  The access to the hash is through
1685 Perl_to_utf8_case().
1686
1687 The "normal" is a string like "ToLower" which means the swash
1688 %utf8::ToLower.
1689
1690 =cut */
1691
1692 UV
1693 Perl_to_utf8_case(pTHX_ const U8 *p, U8* ustrp, STRLEN *lenp,
1694                         SV **swashp, const char *normal, const char *special)
1695 {
1696     dVAR;
1697     U8 tmpbuf[UTF8_MAXBYTES_CASE+1];
1698     STRLEN len = 0;
1699     const UV uv0 = utf8_to_uvchr(p, NULL);
1700     /* The NATIVE_TO_UNI() and UNI_TO_NATIVE() mappings
1701      * are necessary in EBCDIC, they are redundant no-ops
1702      * in ASCII-ish platforms, and hopefully optimized away. */
1703     const UV uv1 = NATIVE_TO_UNI(uv0);
1704
1705     PERL_ARGS_ASSERT_TO_UTF8_CASE;
1706
1707     uvuni_to_utf8(tmpbuf, uv1);
1708
1709     if (!*swashp) /* load on-demand */
1710          *swashp = swash_init("utf8", normal, &PL_sv_undef, 4, 0);
1711     /* This is the beginnings of a skeleton of code to read the info section
1712      * that is in all the swashes in case we ever want to do that, so one can
1713      * read things whose maps aren't code points, and whose default if missing
1714      * is not to the code point itself.  This was just to see if it actually
1715      * worked.  Details on what the possibilities are are in perluniprops.pod
1716         HV * const hv = get_hv("utf8::SwashInfo", 0);
1717         if (hv) {
1718          SV **svp;
1719          svp = hv_fetch(hv, (const char*)normal, strlen(normal), FALSE);
1720              const char *s;
1721
1722               HV * const this_hash = SvRV(*svp);
1723                 svp = hv_fetch(this_hash, "type", strlen("type"), FALSE);
1724               s = SvPV_const(*svp, len);
1725         }
1726     }*/
1727
1728     if (special) {
1729          /* It might be "special" (sometimes, but not always,
1730           * a multicharacter mapping) */
1731          HV * const hv = get_hv(special, 0);
1732          SV **svp;
1733
1734          if (hv &&
1735              (svp = hv_fetch(hv, (const char*)tmpbuf, UNISKIP(uv1), FALSE)) &&
1736              (*svp)) {
1737              const char *s;
1738
1739               s = SvPV_const(*svp, len);
1740               if (len == 1)
1741                    len = uvuni_to_utf8(ustrp, NATIVE_TO_UNI(*(U8*)s)) - ustrp;
1742               else {
1743 #ifdef EBCDIC
1744                    /* If we have EBCDIC we need to remap the characters
1745                     * since any characters in the low 256 are Unicode
1746                     * code points, not EBCDIC. */
1747                    U8 *t = (U8*)s, *tend = t + len, *d;
1748                 
1749                    d = tmpbuf;
1750                    if (SvUTF8(*svp)) {
1751                         STRLEN tlen = 0;
1752                         
1753                         while (t < tend) {
1754                              const UV c = utf8_to_uvchr(t, &tlen);
1755                              if (tlen > 0) {
1756                                   d = uvchr_to_utf8(d, UNI_TO_NATIVE(c));
1757                                   t += tlen;
1758                              }
1759                              else
1760                                   break;
1761                         }
1762                    }
1763                    else {
1764                         while (t < tend) {
1765                              d = uvchr_to_utf8(d, UNI_TO_NATIVE(*t));
1766                              t++;
1767                         }
1768                    }
1769                    len = d - tmpbuf;
1770                    Copy(tmpbuf, ustrp, len, U8);
1771 #else
1772                    Copy(s, ustrp, len, U8);
1773 #endif
1774               }
1775          }
1776     }
1777
1778     if (!len && *swashp) {
1779         const UV uv2 = swash_fetch(*swashp, tmpbuf, TRUE);
1780
1781          if (uv2) {
1782               /* It was "normal" (a single character mapping). */
1783               const UV uv3 = UNI_TO_NATIVE(uv2);
1784               len = uvchr_to_utf8(ustrp, uv3) - ustrp;
1785          }
1786     }
1787
1788     if (!len) /* Neither: just copy.  In other words, there was no mapping
1789                  defined, which means that the code point maps to itself */
1790          len = uvchr_to_utf8(ustrp, uv0) - ustrp;
1791
1792     if (lenp)
1793          *lenp = len;
1794
1795     return len ? utf8_to_uvchr(ustrp, 0) : 0;
1796 }
1797
1798 /*
1799 =for apidoc to_utf8_upper
1800
1801 Convert the UTF-8 encoded character at p to its uppercase version and
1802 store that in UTF-8 in ustrp and its length in bytes in lenp.  Note
1803 that the ustrp needs to be at least UTF8_MAXBYTES_CASE+1 bytes since
1804 the uppercase version may be longer than the original character.
1805
1806 The first character of the uppercased version is returned
1807 (but note, as explained above, that there may be more.)
1808
1809 =cut */
1810
1811 UV
1812 Perl_to_utf8_upper(pTHX_ const U8 *p, U8* ustrp, STRLEN *lenp)
1813 {
1814     dVAR;
1815
1816     PERL_ARGS_ASSERT_TO_UTF8_UPPER;
1817
1818     return Perl_to_utf8_case(aTHX_ p, ustrp, lenp,
1819                              &PL_utf8_toupper, "ToUpper", "utf8::ToSpecUpper");
1820 }
1821
1822 /*
1823 =for apidoc to_utf8_title
1824
1825 Convert the UTF-8 encoded character at p to its titlecase version and
1826 store that in UTF-8 in ustrp and its length in bytes in lenp.  Note
1827 that the ustrp needs to be at least UTF8_MAXBYTES_CASE+1 bytes since the
1828 titlecase version may be longer than the original character.
1829
1830 The first character of the titlecased version is returned
1831 (but note, as explained above, that there may be more.)
1832
1833 =cut */
1834
1835 UV
1836 Perl_to_utf8_title(pTHX_ const U8 *p, U8* ustrp, STRLEN *lenp)
1837 {
1838     dVAR;
1839
1840     PERL_ARGS_ASSERT_TO_UTF8_TITLE;
1841
1842     return Perl_to_utf8_case(aTHX_ p, ustrp, lenp,
1843                              &PL_utf8_totitle, "ToTitle", "utf8::ToSpecTitle");
1844 }
1845
1846 /*
1847 =for apidoc to_utf8_lower
1848
1849 Convert the UTF-8 encoded character at p to its lowercase version and
1850 store that in UTF-8 in ustrp and its length in bytes in lenp.  Note
1851 that the ustrp needs to be at least UTF8_MAXBYTES_CASE+1 bytes since the
1852 lowercase version may be longer than the original character.
1853
1854 The first character of the lowercased version is returned
1855 (but note, as explained above, that there may be more.)
1856
1857 =cut */
1858
1859 UV
1860 Perl_to_utf8_lower(pTHX_ const U8 *p, U8* ustrp, STRLEN *lenp)
1861 {
1862     dVAR;
1863
1864     PERL_ARGS_ASSERT_TO_UTF8_LOWER;
1865
1866     return Perl_to_utf8_case(aTHX_ p, ustrp, lenp,
1867                              &PL_utf8_tolower, "ToLower", "utf8::ToSpecLower");
1868 }
1869
1870 /*
1871 =for apidoc to_utf8_fold
1872
1873 Convert the UTF-8 encoded character at p to its foldcase version and
1874 store that in UTF-8 in ustrp and its length in bytes in lenp.  Note
1875 that the ustrp needs to be at least UTF8_MAXBYTES_CASE+1 bytes since the
1876 foldcase version may be longer than the original character (up to
1877 three characters).
1878
1879 The first character of the foldcased version is returned
1880 (but note, as explained above, that there may be more.)
1881
1882 =cut */
1883
1884 UV
1885 Perl_to_utf8_fold(pTHX_ const U8 *p, U8* ustrp, STRLEN *lenp)
1886 {
1887     dVAR;
1888
1889     PERL_ARGS_ASSERT_TO_UTF8_FOLD;
1890
1891     return Perl_to_utf8_case(aTHX_ p, ustrp, lenp,
1892                              &PL_utf8_tofold, "ToFold", "utf8::ToSpecFold");
1893 }
1894
1895 /* Note:
1896  * A "swash" is a swatch hash.
1897  * A "swatch" is a bit vector generated by utf8.c:S_swash_get().
1898  * C<pkg> is a pointer to a package name for SWASHNEW, should be "utf8".
1899  * For other parameters, see utf8::SWASHNEW in lib/utf8_heavy.pl.
1900  */
1901 SV*
1902 Perl_swash_init(pTHX_ const char* pkg, const char* name, SV *listsv, I32 minbits, I32 none)
1903 {
1904     dVAR;
1905     SV* retval;
1906     dSP;
1907     const size_t pkg_len = strlen(pkg);
1908     const size_t name_len = strlen(name);
1909     HV * const stash = gv_stashpvn(pkg, pkg_len, 0);
1910     SV* errsv_save;
1911
1912     PERL_ARGS_ASSERT_SWASH_INIT;
1913
1914     PUSHSTACKi(PERLSI_MAGIC);
1915     ENTER;
1916     SAVEHINTS();
1917     save_re_context();
1918     if (!gv_fetchmeth(stash, "SWASHNEW", 8, -1)) {      /* demand load utf8 */
1919         ENTER;
1920         errsv_save = newSVsv(ERRSV);
1921         /* It is assumed that callers of this routine are not passing in any
1922            user derived data.  */
1923         /* Need to do this after save_re_context() as it will set PL_tainted to
1924            1 while saving $1 etc (see the code after getrx: in Perl_magic_get).
1925            Even line to create errsv_save can turn on PL_tainted.  */
1926         SAVEBOOL(PL_tainted);
1927         PL_tainted = 0;
1928         Perl_load_module(aTHX_ PERL_LOADMOD_NOIMPORT, newSVpvn(pkg,pkg_len),
1929                          NULL);
1930         if (!SvTRUE(ERRSV))
1931             sv_setsv(ERRSV, errsv_save);
1932         SvREFCNT_dec(errsv_save);
1933         LEAVE;
1934     }
1935     SPAGAIN;
1936     PUSHMARK(SP);
1937     EXTEND(SP,5);
1938     mPUSHp(pkg, pkg_len);
1939     mPUSHp(name, name_len);
1940     PUSHs(listsv);
1941     mPUSHi(minbits);
1942     mPUSHi(none);
1943     PUTBACK;
1944     errsv_save = newSVsv(ERRSV);
1945     if (call_method("SWASHNEW", G_SCALAR))
1946         retval = newSVsv(*PL_stack_sp--);
1947     else
1948         retval = &PL_sv_undef;
1949     if (!SvTRUE(ERRSV))
1950         sv_setsv(ERRSV, errsv_save);
1951     SvREFCNT_dec(errsv_save);
1952     LEAVE;
1953     POPSTACK;
1954     if (IN_PERL_COMPILETIME) {
1955         CopHINTS_set(PL_curcop, PL_hints);
1956     }
1957     if (!SvROK(retval) || SvTYPE(SvRV(retval)) != SVt_PVHV) {
1958         if (SvPOK(retval))
1959             Perl_croak(aTHX_ "Can't find Unicode property definition \"%"SVf"\"",
1960                        SVfARG(retval));
1961         Perl_croak(aTHX_ "SWASHNEW didn't return an HV ref");
1962     }
1963     return retval;
1964 }
1965
1966
1967 /* This API is wrong for special case conversions since we may need to
1968  * return several Unicode characters for a single Unicode character
1969  * (see lib/unicore/SpecCase.txt) The SWASHGET in lib/utf8_heavy.pl is
1970  * the lower-level routine, and it is similarly broken for returning
1971  * multiple values.  --jhi */
1972 /* Now SWASHGET is recasted into S_swash_get in this file. */
1973
1974 /* Note:
1975  * Returns the value of property/mapping C<swash> for the first character
1976  * of the string C<ptr>. If C<do_utf8> is true, the string C<ptr> is
1977  * assumed to be in utf8. If C<do_utf8> is false, the string C<ptr> is
1978  * assumed to be in native 8-bit encoding. Caches the swatch in C<swash>.
1979  */
1980 UV
1981 Perl_swash_fetch(pTHX_ SV *swash, const U8 *ptr, bool do_utf8)
1982 {
1983     dVAR;
1984     HV *const hv = MUTABLE_HV(SvRV(swash));
1985     U32 klen;
1986     U32 off;
1987     STRLEN slen;
1988     STRLEN needents;
1989     const U8 *tmps = NULL;
1990     U32 bit;
1991     SV *swatch;
1992     U8 tmputf8[2];
1993     const UV c = NATIVE_TO_ASCII(*ptr);
1994
1995     PERL_ARGS_ASSERT_SWASH_FETCH;
1996
1997     if (!do_utf8 && !UNI_IS_INVARIANT(c)) {
1998         tmputf8[0] = (U8)UTF8_EIGHT_BIT_HI(c);
1999         tmputf8[1] = (U8)UTF8_EIGHT_BIT_LO(c);
2000         ptr = tmputf8;
2001     }
2002     /* Given a UTF-X encoded char 0xAA..0xYY,0xZZ
2003      * then the "swatch" is a vec() for all the chars which start
2004      * with 0xAA..0xYY
2005      * So the key in the hash (klen) is length of encoded char -1
2006      */
2007     klen = UTF8SKIP(ptr) - 1;
2008     off  = ptr[klen];
2009
2010     if (klen == 0) {
2011       /* If char is invariant then swatch is for all the invariant chars
2012        * In both UTF-8 and UTF-8-MOD that happens to be UTF_CONTINUATION_MARK
2013        */
2014         needents = UTF_CONTINUATION_MARK;
2015         off      = NATIVE_TO_UTF(ptr[klen]);
2016     }
2017     else {
2018       /* If char is encoded then swatch is for the prefix */
2019         needents = (1 << UTF_ACCUMULATION_SHIFT);
2020         off      = NATIVE_TO_UTF(ptr[klen]) & UTF_CONTINUATION_MASK;
2021     }
2022
2023     /*
2024      * This single-entry cache saves about 1/3 of the utf8 overhead in test
2025      * suite.  (That is, only 7-8% overall over just a hash cache.  Still,
2026      * it's nothing to sniff at.)  Pity we usually come through at least
2027      * two function calls to get here...
2028      *
2029      * NB: this code assumes that swatches are never modified, once generated!
2030      */
2031
2032     if (hv   == PL_last_swash_hv &&
2033         klen == PL_last_swash_klen &&
2034         (!klen || memEQ((char *)ptr, (char *)PL_last_swash_key, klen)) )
2035     {
2036         tmps = PL_last_swash_tmps;
2037         slen = PL_last_swash_slen;
2038     }
2039     else {
2040         /* Try our second-level swatch cache, kept in a hash. */
2041         SV** svp = hv_fetch(hv, (const char*)ptr, klen, FALSE);
2042
2043         /* If not cached, generate it via swash_get */
2044         if (!svp || !SvPOK(*svp)
2045                  || !(tmps = (const U8*)SvPV_const(*svp, slen))) {
2046             /* We use utf8n_to_uvuni() as we want an index into
2047                Unicode tables, not a native character number.
2048              */
2049             const UV code_point = utf8n_to_uvuni(ptr, UTF8_MAXBYTES, 0,
2050                                            ckWARN(WARN_UTF8) ?
2051                                            0 : UTF8_ALLOW_ANY);
2052             swatch = swash_get(swash,
2053                     /* On EBCDIC & ~(0xA0-1) isn't a useful thing to do */
2054                                 (klen) ? (code_point & ~(needents - 1)) : 0,
2055                                 needents);
2056
2057             if (IN_PERL_COMPILETIME)
2058                 CopHINTS_set(PL_curcop, PL_hints);
2059
2060             svp = hv_store(hv, (const char *)ptr, klen, swatch, 0);
2061
2062             if (!svp || !(tmps = (U8*)SvPV(*svp, slen))
2063                      || (slen << 3) < needents)
2064                 Perl_croak(aTHX_ "panic: swash_fetch got improper swatch");
2065         }
2066
2067         PL_last_swash_hv = hv;
2068         assert(klen <= sizeof(PL_last_swash_key));
2069         PL_last_swash_klen = (U8)klen;
2070         /* FIXME change interpvar.h?  */
2071         PL_last_swash_tmps = (U8 *) tmps;
2072         PL_last_swash_slen = slen;
2073         if (klen)
2074             Copy(ptr, PL_last_swash_key, klen, U8);
2075     }
2076
2077     switch ((int)((slen << 3) / needents)) {
2078     case 1:
2079         bit = 1 << (off & 7);
2080         off >>= 3;
2081         return (tmps[off] & bit) != 0;
2082     case 8:
2083         return tmps[off];
2084     case 16:
2085         off <<= 1;
2086         return (tmps[off] << 8) + tmps[off + 1] ;
2087     case 32:
2088         off <<= 2;
2089         return (tmps[off] << 24) + (tmps[off+1] << 16) + (tmps[off+2] << 8) + tmps[off + 3] ;
2090     }
2091     Perl_croak(aTHX_ "panic: swash_fetch got swatch of unexpected bit width");
2092     NORETURN_FUNCTION_END;
2093 }
2094
2095 /* Read a single line of the main body of the swash input text.  These are of
2096  * the form:
2097  * 0053 0056    0073
2098  * where each number is hex.  The first two numbers form the minimum and
2099  * maximum of a range, and the third is the value associated with the range.
2100  * Not all swashes should have a third number
2101  *
2102  * On input: l    points to the beginning of the line to be examined; it points
2103  *                to somewhere in the string of the whole input text, and is
2104  *                terminated by a \n or the null string terminator.
2105  *           lend   points to the null terminator of that string
2106  *           wants_value    is non-zero if the swash expects a third number
2107  *           typestr is the name of the swash's mapping, like 'ToLower'
2108  * On output: *min, *max, and *val are set to the values read from the line.
2109  *            returns a pointer just beyond the line examined.  If there was no
2110  *            valid min number on the line, returns lend+1
2111  */
2112
2113 STATIC U8*
2114 S_swash_scan_list_line(pTHX_ U8* l, U8* const lend, UV* min, UV* max, UV* val,
2115                              const bool wants_value, const U8* const typestr)
2116 {
2117     const int  typeto  = typestr[0] == 'T' && typestr[1] == 'o';
2118     STRLEN numlen;          /* Length of the number */
2119     I32 flags = PERL_SCAN_SILENT_ILLDIGIT | PERL_SCAN_DISALLOW_PREFIX;
2120
2121     /* nl points to the next \n in the scan */
2122     U8* const nl = (U8*)memchr(l, '\n', lend - l);
2123
2124     /* Get the first number on the line: the range minimum */
2125     numlen = lend - l;
2126     *min = grok_hex((char *)l, &numlen, &flags, NULL);
2127     if (numlen)     /* If found a hex number, position past it */
2128         l += numlen;
2129     else if (nl) {          /* Else, go handle next line, if any */
2130         return nl + 1;  /* 1 is length of "\n" */
2131     }
2132     else {              /* Else, no next line */
2133         return lend + 1;        /* to LIST's end at which \n is not found */
2134     }
2135
2136     /* The max range value follows, separated by a BLANK */
2137     if (isBLANK(*l)) {
2138         ++l;
2139         flags = PERL_SCAN_SILENT_ILLDIGIT | PERL_SCAN_DISALLOW_PREFIX;
2140         numlen = lend - l;
2141         *max = grok_hex((char *)l, &numlen, &flags, NULL);
2142         if (numlen)
2143             l += numlen;
2144         else    /* If no value here, it is a single element range */
2145             *max = *min;
2146
2147         /* Non-binary tables have a third entry: what the first element of the
2148          * range maps to */
2149         if (wants_value) {
2150             if (isBLANK(*l)) {
2151                 ++l;
2152                 flags = PERL_SCAN_SILENT_ILLDIGIT |
2153                         PERL_SCAN_DISALLOW_PREFIX;
2154                 numlen = lend - l;
2155                 *val = grok_hex((char *)l, &numlen, &flags, NULL);
2156                 if (numlen)
2157                     l += numlen;
2158                 else
2159                     *val = 0;
2160             }
2161             else {
2162                 *val = 0;
2163                 if (typeto) {
2164                     Perl_croak(aTHX_ "%s: illegal mapping '%s'",
2165                                      typestr, l);
2166                 }
2167             }
2168         }
2169         else
2170             *val = 0; /* bits == 1, then any val should be ignored */
2171     }
2172     else { /* Nothing following range min, should be single element with no
2173               mapping expected */
2174         *max = *min;
2175         if (wants_value) {
2176             *val = 0;
2177             if (typeto) {
2178                 Perl_croak(aTHX_ "%s: illegal mapping '%s'", typestr, l);
2179             }
2180         }
2181         else
2182             *val = 0; /* bits == 1, then val should be ignored */
2183     }
2184
2185     /* Position to next line if any, or EOF */
2186     if (nl)
2187         l = nl + 1;
2188     else
2189         l = lend;
2190
2191     return l;
2192 }
2193
2194 /* Note:
2195  * Returns a swatch (a bit vector string) for a code point sequence
2196  * that starts from the value C<start> and comprises the number C<span>.
2197  * A C<swash> must be an object created by SWASHNEW (see lib/utf8_heavy.pl).
2198  * Should be used via swash_fetch, which will cache the swatch in C<swash>.
2199  */
2200 STATIC SV*
2201 S_swash_get(pTHX_ SV* swash, UV start, UV span)
2202 {
2203     SV *swatch;
2204     U8 *l, *lend, *x, *xend, *s;
2205     STRLEN lcur, xcur, scur;
2206     HV *const hv = MUTABLE_HV(SvRV(swash));
2207
2208     /* The string containing the main body of the table */
2209     SV** const listsvp = hv_fetchs(hv, "LIST", FALSE);
2210
2211     SV** const typesvp = hv_fetchs(hv, "TYPE", FALSE);
2212     SV** const bitssvp = hv_fetchs(hv, "BITS", FALSE);
2213     SV** const nonesvp = hv_fetchs(hv, "NONE", FALSE);
2214     SV** const extssvp = hv_fetchs(hv, "EXTRAS", FALSE);
2215     const U8* const typestr = (U8*)SvPV_nolen(*typesvp);
2216     const STRLEN bits  = SvUV(*bitssvp);
2217     const STRLEN octets = bits >> 3; /* if bits == 1, then octets == 0 */
2218     const UV     none  = SvUV(*nonesvp);
2219     const UV     end   = start + span;
2220
2221     PERL_ARGS_ASSERT_SWASH_GET;
2222
2223     if (bits != 1 && bits != 8 && bits != 16 && bits != 32) {
2224         Perl_croak(aTHX_ "panic: swash_get doesn't expect bits %"UVuf,
2225                                                  (UV)bits);
2226     }
2227
2228     /* create and initialize $swatch */
2229     scur   = octets ? (span * octets) : (span + 7) / 8;
2230     swatch = newSV(scur);
2231     SvPOK_on(swatch);
2232     s = (U8*)SvPVX(swatch);
2233     if (octets && none) {
2234         const U8* const e = s + scur;
2235         while (s < e) {
2236             if (bits == 8)
2237                 *s++ = (U8)(none & 0xff);
2238             else if (bits == 16) {
2239                 *s++ = (U8)((none >>  8) & 0xff);
2240                 *s++ = (U8)( none        & 0xff);
2241             }
2242             else if (bits == 32) {
2243                 *s++ = (U8)((none >> 24) & 0xff);
2244                 *s++ = (U8)((none >> 16) & 0xff);
2245                 *s++ = (U8)((none >>  8) & 0xff);
2246                 *s++ = (U8)( none        & 0xff);
2247             }
2248         }
2249         *s = '\0';
2250     }
2251     else {
2252         (void)memzero((U8*)s, scur + 1);
2253     }
2254     SvCUR_set(swatch, scur);
2255     s = (U8*)SvPVX(swatch);
2256
2257     /* read $swash->{LIST} */
2258     l = (U8*)SvPV(*listsvp, lcur);
2259     lend = l + lcur;
2260     while (l < lend) {
2261         UV min, max, val;
2262         l = S_swash_scan_list_line(aTHX_ l, lend, &min, &max, &val,
2263                                          cBOOL(octets), typestr);
2264         if (l > lend) {
2265             break;
2266         }
2267
2268         /* If looking for something beyond this range, go try the next one */
2269         if (max < start)
2270             continue;
2271
2272         if (octets) {
2273             UV key;
2274             if (min < start) {
2275                 if (!none || val < none) {
2276                     val += start - min;
2277                 }
2278                 min = start;
2279             }
2280             for (key = min; key <= max; key++) {
2281                 STRLEN offset;
2282                 if (key >= end)
2283                     goto go_out_list;
2284                 /* offset must be non-negative (start <= min <= key < end) */
2285                 offset = octets * (key - start);
2286                 if (bits == 8)
2287                     s[offset] = (U8)(val & 0xff);
2288                 else if (bits == 16) {
2289                     s[offset    ] = (U8)((val >>  8) & 0xff);
2290                     s[offset + 1] = (U8)( val        & 0xff);
2291                 }
2292                 else if (bits == 32) {
2293                     s[offset    ] = (U8)((val >> 24) & 0xff);
2294                     s[offset + 1] = (U8)((val >> 16) & 0xff);
2295                     s[offset + 2] = (U8)((val >>  8) & 0xff);
2296                     s[offset + 3] = (U8)( val        & 0xff);
2297                 }
2298
2299                 if (!none || val < none)
2300                     ++val;
2301             }
2302         }
2303         else { /* bits == 1, then val should be ignored */
2304             UV key;
2305             if (min < start)
2306                 min = start;
2307             for (key = min; key <= max; key++) {
2308                 const STRLEN offset = (STRLEN)(key - start);
2309                 if (key >= end)
2310                     goto go_out_list;
2311                 s[offset >> 3] |= 1 << (offset & 7);
2312             }
2313         }
2314     } /* while */
2315   go_out_list:
2316
2317     /* read $swash->{EXTRAS} */
2318     x = (U8*)SvPV(*extssvp, xcur);
2319     xend = x + xcur;
2320     while (x < xend) {
2321         STRLEN namelen;
2322         U8 *namestr;
2323         SV** othersvp;
2324         HV* otherhv;
2325         STRLEN otherbits;
2326         SV **otherbitssvp, *other;
2327         U8 *s, *o, *nl;
2328         STRLEN slen, olen;
2329
2330         const U8 opc = *x++;
2331         if (opc == '\n')
2332             continue;
2333
2334         nl = (U8*)memchr(x, '\n', xend - x);
2335
2336         if (opc != '-' && opc != '+' && opc != '!' && opc != '&') {
2337             if (nl) {
2338                 x = nl + 1; /* 1 is length of "\n" */
2339                 continue;
2340             }
2341             else {
2342                 x = xend; /* to EXTRAS' end at which \n is not found */
2343                 break;
2344             }
2345         }
2346
2347         namestr = x;
2348         if (nl) {
2349             namelen = nl - namestr;
2350             x = nl + 1;
2351         }
2352         else {
2353             namelen = xend - namestr;
2354             x = xend;
2355         }
2356
2357         othersvp = hv_fetch(hv, (char *)namestr, namelen, FALSE);
2358         otherhv = MUTABLE_HV(SvRV(*othersvp));
2359         otherbitssvp = hv_fetchs(otherhv, "BITS", FALSE);
2360         otherbits = (STRLEN)SvUV(*otherbitssvp);
2361         if (bits < otherbits)
2362             Perl_croak(aTHX_ "panic: swash_get found swatch size mismatch");
2363
2364         /* The "other" swatch must be destroyed after. */
2365         other = swash_get(*othersvp, start, span);
2366         o = (U8*)SvPV(other, olen);
2367
2368         if (!olen)
2369             Perl_croak(aTHX_ "panic: swash_get got improper swatch");
2370
2371         s = (U8*)SvPV(swatch, slen);
2372         if (bits == 1 && otherbits == 1) {
2373             if (slen != olen)
2374                 Perl_croak(aTHX_ "panic: swash_get found swatch length mismatch");
2375
2376             switch (opc) {
2377             case '+':
2378                 while (slen--)
2379                     *s++ |= *o++;
2380                 break;
2381             case '!':
2382                 while (slen--)
2383                     *s++ |= ~*o++;
2384                 break;
2385             case '-':
2386                 while (slen--)
2387                     *s++ &= ~*o++;
2388                 break;
2389             case '&':
2390                 while (slen--)
2391                     *s++ &= *o++;
2392                 break;
2393             default:
2394                 break;
2395             }
2396         }
2397         else {
2398             STRLEN otheroctets = otherbits >> 3;
2399             STRLEN offset = 0;
2400             U8* const send = s + slen;
2401
2402             while (s < send) {
2403                 UV otherval = 0;
2404
2405                 if (otherbits == 1) {
2406                     otherval = (o[offset >> 3] >> (offset & 7)) & 1;
2407                     ++offset;
2408                 }
2409                 else {
2410                     STRLEN vlen = otheroctets;
2411                     otherval = *o++;
2412                     while (--vlen) {
2413                         otherval <<= 8;
2414                         otherval |= *o++;
2415                     }
2416                 }
2417
2418                 if (opc == '+' && otherval)
2419                     NOOP;   /* replace with otherval */
2420                 else if (opc == '!' && !otherval)
2421                     otherval = 1;
2422                 else if (opc == '-' && otherval)
2423                     otherval = 0;
2424                 else if (opc == '&' && !otherval)
2425                     otherval = 0;
2426                 else {
2427                     s += octets; /* no replacement */
2428                     continue;
2429                 }
2430
2431                 if (bits == 8)
2432                     *s++ = (U8)( otherval & 0xff);
2433                 else if (bits == 16) {
2434                     *s++ = (U8)((otherval >>  8) & 0xff);
2435                     *s++ = (U8)( otherval        & 0xff);
2436                 }
2437                 else if (bits == 32) {
2438                     *s++ = (U8)((otherval >> 24) & 0xff);
2439                     *s++ = (U8)((otherval >> 16) & 0xff);
2440                     *s++ = (U8)((otherval >>  8) & 0xff);
2441                     *s++ = (U8)( otherval        & 0xff);
2442                 }
2443             }
2444         }
2445         sv_free(other); /* through with it! */
2446     } /* while */
2447     return swatch;
2448 }
2449
2450 HV*
2451 Perl__swash_inversion_hash(pTHX_ SV* swash)
2452 {
2453
2454    /* Subject to change or removal.  For use only in one place in regexec.c
2455     *
2456     * Returns a hash which is the inversion and closure of a swash mapping.
2457     * For example, consider the input lines:
2458     * 004B              006B
2459     * 004C              006C
2460     * 212A              006B
2461     *
2462     * The returned hash would have two keys, the utf8 for 006B and the utf8 for
2463     * 006C.  The value for each key is an array.  For 006C, the array would
2464     * have a two elements, the utf8 for itself, and for 004C.  For 006B, there
2465     * would be three elements in its array, the utf8 for 006B, 004B and 212A.
2466     *
2467     * Essentially, for any code point, it gives all the code points that map to
2468     * it, or the list of 'froms' for that point.
2469     *
2470     * Currently it only looks at the main body of the swash, and ignores any
2471     * additions or deletions from other swashes */
2472
2473     U8 *l, *lend;
2474     STRLEN lcur;
2475     HV *const hv = MUTABLE_HV(SvRV(swash));
2476
2477     /* The string containing the main body of the table */
2478     SV** const listsvp = hv_fetchs(hv, "LIST", FALSE);
2479
2480     SV** const typesvp = hv_fetchs(hv, "TYPE", FALSE);
2481     SV** const bitssvp = hv_fetchs(hv, "BITS", FALSE);
2482     SV** const nonesvp = hv_fetchs(hv, "NONE", FALSE);
2483     /*SV** const extssvp = hv_fetchs(hv, "EXTRAS", FALSE);*/
2484     const U8* const typestr = (U8*)SvPV_nolen(*typesvp);
2485     const STRLEN bits  = SvUV(*bitssvp);
2486     const STRLEN octets = bits >> 3; /* if bits == 1, then octets == 0 */
2487     const UV     none  = SvUV(*nonesvp);
2488
2489     HV* ret = newHV();
2490
2491     PERL_ARGS_ASSERT__SWASH_INVERSION_HASH;
2492
2493     /* Must have at least 8 bits to get the mappings */
2494     if (bits != 8 && bits != 16 && bits != 32) {
2495         Perl_croak(aTHX_ "panic: swash_inversion_hash doesn't expect bits %"UVuf,
2496                                                  (UV)bits);
2497     }
2498
2499     /* read $swash->{LIST} */
2500     l = (U8*)SvPV(*listsvp, lcur);
2501     lend = l + lcur;
2502
2503     /* Go through each input line */
2504     while (l < lend) {
2505         UV min, max, val;
2506         UV inverse;
2507         l = S_swash_scan_list_line(aTHX_ l, lend, &min, &max, &val,
2508                                          cBOOL(octets), typestr);
2509         if (l > lend) {
2510             break;
2511         }
2512
2513         /* Each element in the range is to be inverted */
2514         for (inverse = min; inverse <= max; inverse++) {
2515             AV* list;
2516             SV* element;
2517             SV** listp;
2518             IV i;
2519             bool found_key = FALSE;
2520
2521             /* The key is the inverse mapping */
2522             char key[UTF8_MAXBYTES+1];
2523             char* key_end = (char *) uvuni_to_utf8((U8*) key, val);
2524             STRLEN key_len = key_end - key;
2525
2526             /* And the value is what the forward mapping is from. */
2527             char utf8_inverse[UTF8_MAXBYTES+1];
2528             char *utf8_inverse_end = (char *) uvuni_to_utf8((U8*) utf8_inverse, inverse);
2529
2530             /* Get the list for the map */
2531             if ((listp = hv_fetch(ret, key, key_len, FALSE))) {
2532                 list = (AV*) *listp;
2533             }
2534             else { /* No entry yet for it: create one */
2535                 list = newAV();
2536                 if (! hv_store(ret, key, key_len, (SV*) list, FALSE)) {
2537                     Perl_croak(aTHX_ "panic: hv_store() unexpectedly failed");
2538                 }
2539             }
2540
2541             for (i = 0; i < av_len(list); i++) {
2542                 SV** entryp = av_fetch(list, i, FALSE);
2543                 SV* entry;
2544                 if (entryp == NULL) {
2545                     Perl_croak(aTHX_ "panic: av_fetch() unexpectedly failed");
2546                 }
2547                 entry = *entryp;
2548                 if (SvCUR(entry) != key_len) {
2549                     continue;
2550                 }
2551                 if (memEQ(key, SvPVX(entry), key_len)) {
2552                     found_key = TRUE;
2553                     break;
2554                 }
2555             }
2556             if (! found_key) {
2557                 element = newSVpvn_flags(key, key_len, SVf_UTF8);
2558                 av_push(list, element);
2559             }
2560
2561
2562             /* Simply add the value to the list */
2563             element = newSVpvn_flags(utf8_inverse, utf8_inverse_end - utf8_inverse, SVf_UTF8);
2564             av_push(list, element);
2565
2566             /* swash_get() increments the value of val for each element in the
2567              * range.  That makes more compact tables possible.  You can
2568              * express the capitalization, for example, of all consecutive
2569              * letters with a single line: 0061\t007A\t0041 This maps 0061 to
2570              * 0041, 0062 to 0042, etc.  I (khw) have never understood 'none',
2571              * and it's not documented, and perhaps not even currently used,
2572              * but I copied the semantics from swash_get(), just in case */
2573             if (!none || val < none) {
2574                 ++val;
2575             }
2576         }
2577     }
2578
2579     return ret;
2580 }
2581
2582 /*
2583 =for apidoc uvchr_to_utf8
2584
2585 Adds the UTF-8 representation of the Native codepoint C<uv> to the end
2586 of the string C<d>; C<d> should be have at least C<UTF8_MAXBYTES+1> free
2587 bytes available. The return value is the pointer to the byte after the
2588 end of the new character. In other words,
2589
2590     d = uvchr_to_utf8(d, uv);
2591
2592 is the recommended wide native character-aware way of saying
2593
2594     *(d++) = uv;
2595
2596 =cut
2597 */
2598
2599 /* On ASCII machines this is normally a macro but we want a
2600    real function in case XS code wants it
2601 */
2602 U8 *
2603 Perl_uvchr_to_utf8(pTHX_ U8 *d, UV uv)
2604 {
2605     PERL_ARGS_ASSERT_UVCHR_TO_UTF8;
2606
2607     return Perl_uvuni_to_utf8_flags(aTHX_ d, NATIVE_TO_UNI(uv), 0);
2608 }
2609
2610 U8 *
2611 Perl_uvchr_to_utf8_flags(pTHX_ U8 *d, UV uv, UV flags)
2612 {
2613     PERL_ARGS_ASSERT_UVCHR_TO_UTF8_FLAGS;
2614
2615     return Perl_uvuni_to_utf8_flags(aTHX_ d, NATIVE_TO_UNI(uv), flags);
2616 }
2617
2618 /*
2619 =for apidoc utf8n_to_uvchr
2620 flags
2621
2622 Returns the native character value of the first character in the string
2623 C<s>
2624 which is assumed to be in UTF-8 encoding; C<retlen> will be set to the
2625 length, in bytes, of that character.
2626
2627 Allows length and flags to be passed to low level routine.
2628
2629 =cut
2630 */
2631 /* On ASCII machines this is normally a macro but we want
2632    a real function in case XS code wants it
2633 */
2634 UV
2635 Perl_utf8n_to_uvchr(pTHX_ const U8 *s, STRLEN curlen, STRLEN *retlen,
2636 U32 flags)
2637 {
2638     const UV uv = Perl_utf8n_to_uvuni(aTHX_ s, curlen, retlen, flags);
2639
2640     PERL_ARGS_ASSERT_UTF8N_TO_UVCHR;
2641
2642     return UNI_TO_NATIVE(uv);
2643 }
2644
2645 /*
2646 =for apidoc pv_uni_display
2647
2648 Build to the scalar dsv a displayable version of the string spv,
2649 length len, the displayable version being at most pvlim bytes long
2650 (if longer, the rest is truncated and "..." will be appended).
2651
2652 The flags argument can have UNI_DISPLAY_ISPRINT set to display
2653 isPRINT()able characters as themselves, UNI_DISPLAY_BACKSLASH
2654 to display the \\[nrfta\\] as the backslashed versions (like '\n')
2655 (UNI_DISPLAY_BACKSLASH is preferred over UNI_DISPLAY_ISPRINT for \\).
2656 UNI_DISPLAY_QQ (and its alias UNI_DISPLAY_REGEX) have both
2657 UNI_DISPLAY_BACKSLASH and UNI_DISPLAY_ISPRINT turned on.
2658
2659 The pointer to the PV of the dsv is returned.
2660
2661 =cut */
2662 char *
2663 Perl_pv_uni_display(pTHX_ SV *dsv, const U8 *spv, STRLEN len, STRLEN pvlim, UV flags)
2664 {
2665     int truncated = 0;
2666     const char *s, *e;
2667
2668     PERL_ARGS_ASSERT_PV_UNI_DISPLAY;
2669
2670     sv_setpvs(dsv, "");
2671     SvUTF8_off(dsv);
2672     for (s = (const char *)spv, e = s + len; s < e; s += UTF8SKIP(s)) {
2673          UV u;
2674           /* This serves double duty as a flag and a character to print after
2675              a \ when flags & UNI_DISPLAY_BACKSLASH is true.
2676           */
2677          char ok = 0;
2678
2679          if (pvlim && SvCUR(dsv) >= pvlim) {
2680               truncated++;
2681               break;
2682          }
2683          u = utf8_to_uvchr((U8*)s, 0);
2684          if (u < 256) {
2685              const unsigned char c = (unsigned char)u & 0xFF;
2686              if (flags & UNI_DISPLAY_BACKSLASH) {
2687                  switch (c) {
2688                  case '\n':
2689                      ok = 'n'; break;
2690                  case '\r':
2691                      ok = 'r'; break;
2692                  case '\t':
2693                      ok = 't'; break;
2694                  case '\f':
2695                      ok = 'f'; break;
2696                  case '\a':
2697                      ok = 'a'; break;
2698                  case '\\':
2699                      ok = '\\'; break;
2700                  default: break;
2701                  }
2702                  if (ok) {
2703                      const char string = ok;
2704                      sv_catpvs(dsv, "\\");
2705                      sv_catpvn(dsv, &string, 1);
2706                  }
2707              }
2708              /* isPRINT() is the locale-blind version. */
2709              if (!ok && (flags & UNI_DISPLAY_ISPRINT) && isPRINT(c)) {
2710                  const char string = c;
2711                  sv_catpvn(dsv, &string, 1);
2712                  ok = 1;
2713              }
2714          }
2715          if (!ok)
2716              Perl_sv_catpvf(aTHX_ dsv, "\\x{%"UVxf"}", u);
2717     }
2718     if (truncated)
2719          sv_catpvs(dsv, "...");
2720
2721     return SvPVX(dsv);
2722 }
2723
2724 /*
2725 =for apidoc sv_uni_display
2726
2727 Build to the scalar dsv a displayable version of the scalar sv,
2728 the displayable version being at most pvlim bytes long
2729 (if longer, the rest is truncated and "..." will be appended).
2730
2731 The flags argument is as in pv_uni_display().
2732
2733 The pointer to the PV of the dsv is returned.
2734
2735 =cut
2736 */
2737 char *
2738 Perl_sv_uni_display(pTHX_ SV *dsv, SV *ssv, STRLEN pvlim, UV flags)
2739 {
2740     PERL_ARGS_ASSERT_SV_UNI_DISPLAY;
2741
2742      return Perl_pv_uni_display(aTHX_ dsv, (const U8*)SvPVX_const(ssv),
2743                                 SvCUR(ssv), pvlim, flags);
2744 }
2745
2746 /*
2747 =for apidoc foldEQ_utf8
2748
2749 Returns true if the leading portions of the strings s1 and s2 (either or both
2750 of which may be in UTF-8) are the same case-insensitively; false otherwise.
2751 How far into the strings to compare is determined by other input parameters.
2752
2753 If u1 is true, the string s1 is assumed to be in UTF-8-encoded Unicode;
2754 otherwise it is assumed to be in native 8-bit encoding.  Correspondingly for u2
2755 with respect to s2.
2756
2757 If the byte length l1 is non-zero, it says how far into s1 to check for fold
2758 equality.  In other words, s1+l1 will be used as a goal to reach.  The
2759 scan will not be considered to be a match unless the goal is reached, and
2760 scanning won't continue past that goal.  Correspondingly for l2 with respect to
2761 s2.
2762
2763 If pe1 is non-NULL and the pointer it points to is not NULL, that pointer is
2764 considered an end pointer beyond which scanning of s1 will not continue under
2765 any circumstances.  This means that if both l1 and pe1 are specified, and pe1
2766 is less than s1+l1, the match will never be successful because it can never
2767 get as far as its goal (and in fact is asserted against).  Correspondingly for
2768 pe2 with respect to s2.
2769
2770 At least one of s1 and s2 must have a goal (at least one of l1 and l2 must be
2771 non-zero), and if both do, both have to be
2772 reached for a successful match.   Also, if the fold of a character is multiple
2773 characters, all of them must be matched (see tr21 reference below for
2774 'folding').
2775
2776 Upon a successful match, if pe1 is non-NULL,
2777 it will be set to point to the beginning of the I<next> character of s1 beyond
2778 what was matched.  Correspondingly for pe2 and s2.
2779
2780 For case-insensitiveness, the "casefolding" of Unicode is used
2781 instead of upper/lowercasing both the characters, see
2782 http://www.unicode.org/unicode/reports/tr21/ (Case Mappings).
2783
2784 =cut */
2785 I32
2786 Perl_foldEQ_utf8(pTHX_ const char *s1, char **pe1, register UV l1, bool u1, const char *s2, char **pe2, register UV l2, bool u2)
2787 {
2788     dVAR;
2789     register const U8 *p1  = (const U8*)s1; /* Point to current char */
2790     register const U8 *p2  = (const U8*)s2;
2791     register const U8 *g1 = NULL;       /* goal for s1 */
2792     register const U8 *g2 = NULL;
2793     register const U8 *e1 = NULL;       /* Don't scan s1 past this */
2794     register U8 *f1 = NULL;             /* Point to current folded */
2795     register const U8 *e2 = NULL;
2796     register U8 *f2 = NULL;
2797     STRLEN n1 = 0, n2 = 0;              /* Number of bytes in current char */
2798     U8 foldbuf1[UTF8_MAXBYTES_CASE+1];
2799     U8 foldbuf2[UTF8_MAXBYTES_CASE+1];
2800     U8 natbuf[2];               /* Holds native 8-bit char converted to utf8;
2801                                    these always fit in 2 bytes */
2802
2803     PERL_ARGS_ASSERT_FOLDEQ_UTF8;
2804
2805     if (pe1) {
2806         e1 = *(U8**)pe1;
2807     }
2808
2809     if (l1) {
2810         g1 = (const U8*)s1 + l1;
2811     }
2812
2813     if (pe2) {
2814         e2 = *(U8**)pe2;
2815     }
2816
2817     if (l2) {
2818         g2 = (const U8*)s2 + l2;
2819     }
2820
2821     /* Must have at least one goal */
2822     assert(g1 || g2);
2823
2824     if (g1) {
2825
2826         /* Will never match if goal is out-of-bounds */
2827         assert(! e1  || e1 >= g1);
2828
2829         /* Here, there isn't an end pointer, or it is beyond the goal.  We
2830         * only go as far as the goal */
2831         e1 = g1;
2832     }
2833     else {
2834         assert(e1);    /* Must have an end for looking at s1 */
2835     }
2836
2837     /* Same for goal for s2 */
2838     if (g2) {
2839         assert(! e2  || e2 >= g2);
2840         e2 = g2;
2841     }
2842     else {
2843         assert(e2);
2844     }
2845
2846     /* Look through both strings, a character at a time */
2847     while (p1 < e1 && p2 < e2) {
2848
2849         /* If at the beginning of a new character in s1, get its fold to use
2850          * and the length of the fold */
2851         if (n1 == 0) {
2852             if (u1) {
2853                 to_utf8_fold(p1, foldbuf1, &n1);
2854             }
2855             else {  /* Not utf8, convert to it first and then get fold */
2856                 uvuni_to_utf8(natbuf, (UV) NATIVE_TO_UNI(((UV)*p1)));
2857                 to_utf8_fold(natbuf, foldbuf1, &n1);
2858             }
2859             f1 = foldbuf1;
2860         }
2861
2862         if (n2 == 0) {    /* Same for s2 */
2863             if (u2) {
2864                 to_utf8_fold(p2, foldbuf2, &n2);
2865             }
2866             else {
2867                 uvuni_to_utf8(natbuf, (UV) NATIVE_TO_UNI(((UV)*p2)));
2868                 to_utf8_fold(natbuf, foldbuf2, &n2);
2869             }
2870             f2 = foldbuf2;
2871         }
2872
2873         /* While there is more to look for in both folds, see if they
2874         * continue to match */
2875         while (n1 && n2) {
2876             U8 fold_length = UTF8SKIP(f1);
2877             if (fold_length != UTF8SKIP(f2)
2878                 || (fold_length == 1 && *f1 != *f2) /* Short circuit memNE
2879                                                        function call for single
2880                                                        character */
2881                 || memNE((char*)f1, (char*)f2, fold_length))
2882             {
2883                 return 0; /* mismatch */
2884             }
2885
2886             /* Here, they matched, advance past them */
2887             n1 -= fold_length;
2888             f1 += fold_length;
2889             n2 -= fold_length;
2890             f2 += fold_length;
2891         }
2892
2893         /* When reach the end of any fold, advance the input past it */
2894         if (n1 == 0) {
2895             p1 += u1 ? UTF8SKIP(p1) : 1;
2896         }
2897         if (n2 == 0) {
2898             p2 += u2 ? UTF8SKIP(p2) : 1;
2899         }
2900     } /* End of loop through both strings */
2901
2902     /* A match is defined by each scan that specified an explicit length
2903     * reaching its final goal, and the other not having matched a partial
2904     * character (which can happen when the fold of a character is more than one
2905     * character). */
2906     if (! ((g1 == 0 || p1 == g1) && (g2 == 0 || p2 == g2)) || n1 || n2) {
2907         return 0;
2908     }
2909
2910     /* Successful match.  Set output pointers */
2911     if (pe1) {
2912         *pe1 = (char*)p1;
2913     }
2914     if (pe2) {
2915         *pe2 = (char*)p2;
2916     }
2917     return 1;
2918 }
2919
2920 /*
2921  * Local variables:
2922  * c-indentation-style: bsd
2923  * c-basic-offset: 4
2924  * indent-tabs-mode: t
2925  * End:
2926  *
2927  * ex: set ts=8 sts=4 sw=4 noet:
2928  */