Make dual-lived constant.pm work on 5.8 again
[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 Sméagol"]
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 Théoden'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 #include "inline_invlist.c"
35
36 #ifndef EBCDIC
37 /* Separate prototypes needed because in ASCII systems these are
38  * usually macros but they still are compiled as code, too. */
39 PERL_CALLCONV UV        Perl_utf8n_to_uvchr(pTHX_ const U8 *s, STRLEN curlen, STRLEN *retlen, U32 flags);
40 PERL_CALLCONV UV        Perl_valid_utf8_to_uvchr(pTHX_ const U8 *s, STRLEN *retlen);
41 PERL_CALLCONV U8*       Perl_uvchr_to_utf8(pTHX_ U8 *d, UV uv);
42 #endif
43
44 static const char unees[] =
45     "Malformed UTF-8 character (unexpected end of string)";
46
47 /*
48 =head1 Unicode Support
49
50 This file contains various utility functions for manipulating UTF8-encoded
51 strings. For the uninitiated, this is a method of representing arbitrary
52 Unicode characters as a variable number of bytes, in such a way that
53 characters in the ASCII range are unmodified, and a zero byte never appears
54 within non-zero characters.
55
56 =cut
57 */
58
59 /*
60 =for apidoc is_ascii_string
61
62 Returns true if the first C<len> bytes of the string C<s> are the same whether
63 or not the string is encoded in UTF-8 (or UTF-EBCDIC on EBCDIC machines).  That
64 is, if they are invariant.  On ASCII-ish machines, only ASCII characters
65 fit this definition, hence the function's name.
66
67 If C<len> is 0, it will be calculated using C<strlen(s)>.  
68
69 See also L</is_utf8_string>(), L</is_utf8_string_loclen>(), and L</is_utf8_string_loc>().
70
71 =cut
72 */
73
74 bool
75 Perl_is_ascii_string(const U8 *s, STRLEN len)
76 {
77     const U8* const send = s + (len ? len : strlen((const char *)s));
78     const U8* x = s;
79
80     PERL_ARGS_ASSERT_IS_ASCII_STRING;
81
82     for (; x < send; ++x) {
83         if (!UTF8_IS_INVARIANT(*x))
84             break;
85     }
86
87     return x == send;
88 }
89
90 /*
91 =for apidoc uvuni_to_utf8_flags
92
93 Adds the UTF-8 representation of the code point C<uv> to the end
94 of the string C<d>; C<d> should have at least C<UTF8_MAXBYTES+1> free
95 bytes available. The return value is the pointer to the byte after the
96 end of the new character. In other words,
97
98     d = uvuni_to_utf8_flags(d, uv, flags);
99
100 or, in most cases,
101
102     d = uvuni_to_utf8(d, uv);
103
104 (which is equivalent to)
105
106     d = uvuni_to_utf8_flags(d, uv, 0);
107
108 This is the recommended Unicode-aware way of saying
109
110     *(d++) = uv;
111
112 This function will convert to UTF-8 (and not warn) even code points that aren't
113 legal Unicode or are problematic, unless C<flags> contains one or more of the
114 following flags:
115
116 If C<uv> is a Unicode surrogate code point and UNICODE_WARN_SURROGATE is set,
117 the function will raise a warning, provided UTF8 warnings are enabled.  If instead
118 UNICODE_DISALLOW_SURROGATE is set, the function will fail and return NULL.
119 If both flags are set, the function will both warn and return NULL.
120
121 The UNICODE_WARN_NONCHAR and UNICODE_DISALLOW_NONCHAR flags correspondingly
122 affect how the function handles a Unicode non-character.  And, likewise for the
123 UNICODE_WARN_SUPER and UNICODE_DISALLOW_SUPER flags, and code points that are
124 above the Unicode maximum of 0x10FFFF.  Code points above 0x7FFF_FFFF (which are
125 even less portable) can be warned and/or disallowed even if other above-Unicode
126 code points are accepted by the UNICODE_WARN_FE_FF and UNICODE_DISALLOW_FE_FF
127 flags.
128
129 And finally, the flag UNICODE_WARN_ILLEGAL_INTERCHANGE selects all four of the
130 above WARN flags; and UNICODE_DISALLOW_ILLEGAL_INTERCHANGE selects all four
131 DISALLOW flags.
132
133
134 =cut
135 */
136
137 U8 *
138 Perl_uvuni_to_utf8_flags(pTHX_ U8 *d, UV uv, UV flags)
139 {
140     PERL_ARGS_ASSERT_UVUNI_TO_UTF8_FLAGS;
141
142     /* The first problematic code point is the first surrogate */
143     if (uv >= UNICODE_SURROGATE_FIRST
144         && ckWARN4_d(WARN_UTF8, WARN_SURROGATE, WARN_NON_UNICODE, WARN_NONCHAR))
145     {
146         if (UNICODE_IS_SURROGATE(uv)) {
147             if (flags & UNICODE_WARN_SURROGATE) {
148                 Perl_ck_warner_d(aTHX_ packWARN(WARN_SURROGATE),
149                                             "UTF-16 surrogate U+%04"UVXf, uv);
150             }
151             if (flags & UNICODE_DISALLOW_SURROGATE) {
152                 return NULL;
153             }
154         }
155         else if (UNICODE_IS_SUPER(uv)) {
156             if (flags & UNICODE_WARN_SUPER
157                 || (UNICODE_IS_FE_FF(uv) && (flags & UNICODE_WARN_FE_FF)))
158             {
159                 Perl_ck_warner_d(aTHX_ packWARN(WARN_NON_UNICODE),
160                           "Code point 0x%04"UVXf" is not Unicode, may not be portable", uv);
161             }
162             if (flags & UNICODE_DISALLOW_SUPER
163                 || (UNICODE_IS_FE_FF(uv) && (flags & UNICODE_DISALLOW_FE_FF)))
164             {
165                 return NULL;
166             }
167         }
168         else if (UNICODE_IS_NONCHAR(uv)) {
169             if (flags & UNICODE_WARN_NONCHAR) {
170                 Perl_ck_warner_d(aTHX_ packWARN(WARN_NONCHAR),
171                  "Unicode non-character U+%04"UVXf" is illegal for open interchange",
172                  uv);
173             }
174             if (flags & UNICODE_DISALLOW_NONCHAR) {
175                 return NULL;
176             }
177         }
178     }
179     if (UNI_IS_INVARIANT(uv)) {
180         *d++ = (U8)UTF_TO_NATIVE(uv);
181         return d;
182     }
183 #if defined(EBCDIC)
184     else {
185         STRLEN len  = UNISKIP(uv);
186         U8 *p = d+len-1;
187         while (p > d) {
188             *p-- = (U8)UTF_TO_NATIVE((uv & UTF_CONTINUATION_MASK) | UTF_CONTINUATION_MARK);
189             uv >>= UTF_ACCUMULATION_SHIFT;
190         }
191         *p = (U8)UTF_TO_NATIVE((uv & UTF_START_MASK(len)) | UTF_START_MARK(len));
192         return d+len;
193     }
194 #else /* Non loop style */
195     if (uv < 0x800) {
196         *d++ = (U8)(( uv >>  6)         | 0xc0);
197         *d++ = (U8)(( uv        & 0x3f) | 0x80);
198         return d;
199     }
200     if (uv < 0x10000) {
201         *d++ = (U8)(( uv >> 12)         | 0xe0);
202         *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
203         *d++ = (U8)(( uv        & 0x3f) | 0x80);
204         return d;
205     }
206     if (uv < 0x200000) {
207         *d++ = (U8)(( uv >> 18)         | 0xf0);
208         *d++ = (U8)(((uv >> 12) & 0x3f) | 0x80);
209         *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
210         *d++ = (U8)(( uv        & 0x3f) | 0x80);
211         return d;
212     }
213     if (uv < 0x4000000) {
214         *d++ = (U8)(( uv >> 24)         | 0xf8);
215         *d++ = (U8)(((uv >> 18) & 0x3f) | 0x80);
216         *d++ = (U8)(((uv >> 12) & 0x3f) | 0x80);
217         *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
218         *d++ = (U8)(( uv        & 0x3f) | 0x80);
219         return d;
220     }
221     if (uv < 0x80000000) {
222         *d++ = (U8)(( uv >> 30)         | 0xfc);
223         *d++ = (U8)(((uv >> 24) & 0x3f) | 0x80);
224         *d++ = (U8)(((uv >> 18) & 0x3f) | 0x80);
225         *d++ = (U8)(((uv >> 12) & 0x3f) | 0x80);
226         *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
227         *d++ = (U8)(( uv        & 0x3f) | 0x80);
228         return d;
229     }
230 #ifdef HAS_QUAD
231     if (uv < UTF8_QUAD_MAX)
232 #endif
233     {
234         *d++ =                            0xfe; /* Can't match U+FEFF! */
235         *d++ = (U8)(((uv >> 30) & 0x3f) | 0x80);
236         *d++ = (U8)(((uv >> 24) & 0x3f) | 0x80);
237         *d++ = (U8)(((uv >> 18) & 0x3f) | 0x80);
238         *d++ = (U8)(((uv >> 12) & 0x3f) | 0x80);
239         *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
240         *d++ = (U8)(( uv        & 0x3f) | 0x80);
241         return d;
242     }
243 #ifdef HAS_QUAD
244     {
245         *d++ =                            0xff;         /* Can't match U+FFFE! */
246         *d++ =                            0x80;         /* 6 Reserved bits */
247         *d++ = (U8)(((uv >> 60) & 0x0f) | 0x80);        /* 2 Reserved bits */
248         *d++ = (U8)(((uv >> 54) & 0x3f) | 0x80);
249         *d++ = (U8)(((uv >> 48) & 0x3f) | 0x80);
250         *d++ = (U8)(((uv >> 42) & 0x3f) | 0x80);
251         *d++ = (U8)(((uv >> 36) & 0x3f) | 0x80);
252         *d++ = (U8)(((uv >> 30) & 0x3f) | 0x80);
253         *d++ = (U8)(((uv >> 24) & 0x3f) | 0x80);
254         *d++ = (U8)(((uv >> 18) & 0x3f) | 0x80);
255         *d++ = (U8)(((uv >> 12) & 0x3f) | 0x80);
256         *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
257         *d++ = (U8)(( uv        & 0x3f) | 0x80);
258         return d;
259     }
260 #endif
261 #endif /* Loop style */
262 }
263
264 /*
265
266 Tests if the first C<len> bytes of string C<s> form a valid UTF-8
267 character.  Note that an INVARIANT (i.e. ASCII) character is a valid
268 UTF-8 character.  The number of bytes in the UTF-8 character
269 will be returned if it is valid, otherwise 0.
270
271 This is the "slow" version as opposed to the "fast" version which is
272 the "unrolled" IS_UTF8_CHAR().  E.g. for t/uni/class.t the speed
273 difference is a factor of 2 to 3.  For lengths (UTF8SKIP(s)) of four
274 or less you should use the IS_UTF8_CHAR(), for lengths of five or more
275 you should use the _slow().  In practice this means that the _slow()
276 will be used very rarely, since the maximum Unicode code point (as of
277 Unicode 4.1) is U+10FFFF, which encodes in UTF-8 to four bytes.  Only
278 the "Perl extended UTF-8" (the infamous 'v-strings') will encode into
279 five bytes or more.
280
281 =cut */
282 STATIC STRLEN
283 S_is_utf8_char_slow(const U8 *s, const STRLEN len)
284 {
285     dTHX;   /* The function called below requires thread context */
286
287     STRLEN actual_len;
288
289     PERL_ARGS_ASSERT_IS_UTF8_CHAR_SLOW;
290
291     utf8n_to_uvuni(s, len, &actual_len, UTF8_CHECK_ONLY);
292
293     return (actual_len == (STRLEN) -1) ? 0 : actual_len;
294 }
295
296 /*
297 =for apidoc is_utf8_char_buf
298
299 Returns the number of bytes that comprise the first UTF-8 encoded character in
300 buffer C<buf>.  C<buf_end> should point to one position beyond the end of the
301 buffer.  0 is returned if C<buf> does not point to a complete, valid UTF-8
302 encoded character.
303
304 Note that an INVARIANT character (i.e. ASCII on non-EBCDIC
305 machines) is a valid UTF-8 character.
306
307 =cut */
308
309 STRLEN
310 Perl_is_utf8_char_buf(const U8 *buf, const U8* buf_end)
311 {
312
313     STRLEN len;
314
315     PERL_ARGS_ASSERT_IS_UTF8_CHAR_BUF;
316
317     if (buf_end <= buf) {
318         return 0;
319     }
320
321     len = buf_end - buf;
322     if (len > UTF8SKIP(buf)) {
323         len = UTF8SKIP(buf);
324     }
325
326 #ifdef IS_UTF8_CHAR
327     if (IS_UTF8_CHAR_FAST(len))
328         return IS_UTF8_CHAR(buf, len) ? len : 0;
329 #endif /* #ifdef IS_UTF8_CHAR */
330     return is_utf8_char_slow(buf, len);
331 }
332
333 /*
334 =for apidoc is_utf8_char
335
336 DEPRECATED!
337
338 Tests if some arbitrary number of bytes begins in a valid UTF-8
339 character.  Note that an INVARIANT (i.e. ASCII on non-EBCDIC machines)
340 character is a valid UTF-8 character.  The actual number of bytes in the UTF-8
341 character will be returned if it is valid, otherwise 0.
342
343 This function is deprecated due to the possibility that malformed input could
344 cause reading beyond the end of the input buffer.  Use L</is_utf8_char_buf>
345 instead.
346
347 =cut */
348
349 STRLEN
350 Perl_is_utf8_char(const U8 *s)
351 {
352     PERL_ARGS_ASSERT_IS_UTF8_CHAR;
353
354     /* Assumes we have enough space, which is why this is deprecated */
355     return is_utf8_char_buf(s, s + UTF8SKIP(s));
356 }
357
358
359 /*
360 =for apidoc is_utf8_string
361
362 Returns true if the first C<len> bytes of string C<s> form a valid
363 UTF-8 string, false otherwise.  If C<len> is 0, it will be calculated
364 using C<strlen(s)> (which means if you use this option, that C<s> has to have a
365 terminating NUL byte).  Note that all characters being ASCII constitute 'a
366 valid UTF-8 string'.
367
368 See also L</is_ascii_string>(), L</is_utf8_string_loclen>(), and L</is_utf8_string_loc>().
369
370 =cut
371 */
372
373 bool
374 Perl_is_utf8_string(const U8 *s, STRLEN len)
375 {
376     const U8* const send = s + (len ? len : strlen((const char *)s));
377     const U8* x = s;
378
379     PERL_ARGS_ASSERT_IS_UTF8_STRING;
380
381     while (x < send) {
382          /* Inline the easy bits of is_utf8_char() here for speed... */
383          if (UTF8_IS_INVARIANT(*x)) {
384             x++;
385          }
386          else if (!UTF8_IS_START(*x))
387              return FALSE;
388          else {
389               /* ... and call is_utf8_char() only if really needed. */
390              const STRLEN c = UTF8SKIP(x);
391              const U8* const next_char_ptr = x + c;
392
393              if (next_char_ptr > send) {
394                  return FALSE;
395              }
396
397              if (IS_UTF8_CHAR_FAST(c)) {
398                  if (!IS_UTF8_CHAR(x, c))
399                      return FALSE;
400              }
401              else if (! is_utf8_char_slow(x, c)) {
402                  return FALSE;
403              }
404              x = next_char_ptr;
405          }
406     }
407
408     return TRUE;
409 }
410
411 /*
412 Implemented as a macro in utf8.h
413
414 =for apidoc is_utf8_string_loc
415
416 Like L</is_utf8_string> but stores the location of the failure (in the
417 case of "utf8ness failure") or the location C<s>+C<len> (in the case of
418 "utf8ness success") in the C<ep>.
419
420 See also L</is_utf8_string_loclen>() and L</is_utf8_string>().
421
422 =for apidoc is_utf8_string_loclen
423
424 Like L</is_utf8_string>() but stores the location of the failure (in the
425 case of "utf8ness failure") or the location C<s>+C<len> (in the case of
426 "utf8ness success") in the C<ep>, and the number of UTF-8
427 encoded characters in the C<el>.
428
429 See also L</is_utf8_string_loc>() and L</is_utf8_string>().
430
431 =cut
432 */
433
434 bool
435 Perl_is_utf8_string_loclen(const U8 *s, STRLEN len, const U8 **ep, STRLEN *el)
436 {
437     const U8* const send = s + (len ? len : strlen((const char *)s));
438     const U8* x = s;
439     STRLEN c;
440     STRLEN outlen = 0;
441
442     PERL_ARGS_ASSERT_IS_UTF8_STRING_LOCLEN;
443
444     while (x < send) {
445          const U8* next_char_ptr;
446
447          /* Inline the easy bits of is_utf8_char() here for speed... */
448          if (UTF8_IS_INVARIANT(*x))
449              next_char_ptr = x + 1;
450          else if (!UTF8_IS_START(*x))
451              goto out;
452          else {
453              /* ... and call is_utf8_char() only if really needed. */
454              c = UTF8SKIP(x);
455              next_char_ptr = c + x;
456              if (next_char_ptr > send) {
457                  goto out;
458              }
459              if (IS_UTF8_CHAR_FAST(c)) {
460                  if (!IS_UTF8_CHAR(x, c))
461                      c = 0;
462              } else
463                  c = is_utf8_char_slow(x, c);
464              if (!c)
465                  goto out;
466          }
467          x = next_char_ptr;
468          outlen++;
469     }
470
471  out:
472     if (el)
473         *el = outlen;
474
475     if (ep)
476         *ep = x;
477     return (x == send);
478 }
479
480 /*
481
482 =for apidoc utf8n_to_uvuni
483
484 Bottom level UTF-8 decode routine.
485 Returns the code point value of the first character in the string C<s>,
486 which is assumed to be in UTF-8 (or UTF-EBCDIC) encoding, and no longer than
487 C<curlen> bytes; C<*retlen> (if C<retlen> isn't NULL) will be set to
488 the length, in bytes, of that character.
489
490 The value of C<flags> determines the behavior when C<s> does not point to a
491 well-formed UTF-8 character.  If C<flags> is 0, when a malformation is found,
492 zero is returned and C<*retlen> is set so that (S<C<s> + C<*retlen>>) is the
493 next possible position in C<s> that could begin a non-malformed character.
494 Also, if UTF-8 warnings haven't been lexically disabled, a warning is raised.
495
496 Various ALLOW flags can be set in C<flags> to allow (and not warn on)
497 individual types of malformations, such as the sequence being overlong (that
498 is, when there is a shorter sequence that can express the same code point;
499 overlong sequences are expressly forbidden in the UTF-8 standard due to
500 potential security issues).  Another malformation example is the first byte of
501 a character not being a legal first byte.  See F<utf8.h> for the list of such
502 flags.  For allowed 0 length strings, this function returns 0; for allowed
503 overlong sequences, the computed code point is returned; for all other allowed
504 malformations, the Unicode REPLACEMENT CHARACTER is returned, as these have no
505 determinable reasonable value.
506
507 The UTF8_CHECK_ONLY flag overrides the behavior when a non-allowed (by other
508 flags) malformation is found.  If this flag is set, the routine assumes that
509 the caller will raise a warning, and this function will silently just set
510 C<retlen> to C<-1> and return zero.
511
512 Certain code points are considered problematic.  These are Unicode surrogates,
513 Unicode non-characters, and code points above the Unicode maximum of 0x10FFFF.
514 By default these are considered regular code points, but certain situations
515 warrant special handling for them.  If C<flags> contains
516 UTF8_DISALLOW_ILLEGAL_INTERCHANGE, all three classes are treated as
517 malformations and handled as such.  The flags UTF8_DISALLOW_SURROGATE,
518 UTF8_DISALLOW_NONCHAR, and UTF8_DISALLOW_SUPER (meaning above the legal Unicode
519 maximum) can be set to disallow these categories individually.
520
521 The flags UTF8_WARN_ILLEGAL_INTERCHANGE, UTF8_WARN_SURROGATE,
522 UTF8_WARN_NONCHAR, and UTF8_WARN_SUPER will cause warning messages to be raised
523 for their respective categories, but otherwise the code points are considered
524 valid (not malformations).  To get a category to both be treated as a
525 malformation and raise a warning, specify both the WARN and DISALLOW flags.
526 (But note that warnings are not raised if lexically disabled nor if
527 UTF8_CHECK_ONLY is also specified.)
528
529 Very large code points (above 0x7FFF_FFFF) are considered more problematic than
530 the others that are above the Unicode legal maximum.  There are several
531 reasons: they requre at least 32 bits to represent them on ASCII platforms, are
532 not representable at all on EBCDIC platforms, and the original UTF-8
533 specification never went above this number (the current 0x10FFFF limit was
534 imposed later).  (The smaller ones, those that fit into 32 bits, are
535 representable by a UV on ASCII platforms, but not by an IV, which means that
536 the number of operations that can be performed on them is quite restricted.)
537 The UTF-8 encoding on ASCII platforms for these large code points begins with a
538 byte containing 0xFE or 0xFF.  The UTF8_DISALLOW_FE_FF flag will cause them to
539 be treated as malformations, while allowing smaller above-Unicode code points.
540 (Of course UTF8_DISALLOW_SUPER will treat all above-Unicode code points,
541 including these, as malformations.) Similarly, UTF8_WARN_FE_FF acts just like
542 the other WARN flags, but applies just to these code points.
543
544 All other code points corresponding to Unicode characters, including private
545 use and those yet to be assigned, are never considered malformed and never
546 warn.
547
548 Most code should use L</utf8_to_uvchr_buf>() rather than call this directly.
549
550 =cut
551 */
552
553 UV
554 Perl_utf8n_to_uvuni(pTHX_ const U8 *s, STRLEN curlen, STRLEN *retlen, U32 flags)
555 {
556     dVAR;
557     const U8 * const s0 = s;
558     U8 overflow_byte = '\0';    /* Save byte in case of overflow */
559     U8 * send;
560     UV uv = *s;
561     STRLEN expectlen;
562     SV* sv = NULL;
563     UV outlier_ret = 0; /* return value when input is in error or problematic
564                          */
565     UV pack_warn = 0;   /* Save result of packWARN() for later */
566     bool unexpected_non_continuation = FALSE;
567     bool overflowed = FALSE;
568     bool do_overlong_test = TRUE;   /* May have to skip this test */
569
570     const char* const malformed_text = "Malformed UTF-8 character";
571
572     PERL_ARGS_ASSERT_UTF8N_TO_UVUNI;
573
574     /* The order of malformation tests here is important.  We should consume as
575      * few bytes as possible in order to not skip any valid character.  This is
576      * required by the Unicode Standard (section 3.9 of Unicode 6.0); see also
577      * http://unicode.org/reports/tr36 for more discussion as to why.  For
578      * example, once we've done a UTF8SKIP, we can tell the expected number of
579      * bytes, and could fail right off the bat if the input parameters indicate
580      * that there are too few available.  But it could be that just that first
581      * byte is garbled, and the intended character occupies fewer bytes.  If we
582      * blindly assumed that the first byte is correct, and skipped based on
583      * that number, we could skip over a valid input character.  So instead, we
584      * always examine the sequence byte-by-byte.
585      *
586      * We also should not consume too few bytes, otherwise someone could inject
587      * things.  For example, an input could be deliberately designed to
588      * overflow, and if this code bailed out immediately upon discovering that,
589      * returning to the caller *retlen pointing to the very next byte (one
590      * which is actually part of of the overflowing sequence), that could look
591      * legitimate to the caller, which could discard the initial partial
592      * sequence and process the rest, inappropriately */
593
594     /* Zero length strings, if allowed, of necessity are zero */
595     if (UNLIKELY(curlen == 0)) {
596         if (retlen) {
597             *retlen = 0;
598         }
599
600         if (flags & UTF8_ALLOW_EMPTY) {
601             return 0;
602         }
603         if (! (flags & UTF8_CHECK_ONLY)) {
604             sv = sv_2mortal(Perl_newSVpvf(aTHX_ "%s (empty string)", malformed_text));
605         }
606         goto malformed;
607     }
608
609     expectlen = UTF8SKIP(s);
610
611     /* A well-formed UTF-8 character, as the vast majority of calls to this
612      * function will be for, has this expected length.  For efficiency, set
613      * things up here to return it.  It will be overriden only in those rare
614      * cases where a malformation is found */
615     if (retlen) {
616         *retlen = expectlen;
617     }
618
619     /* An invariant is trivially well-formed */
620     if (UTF8_IS_INVARIANT(uv)) {
621         return (UV) (NATIVE_TO_UTF(*s));
622     }
623
624     /* A continuation character can't start a valid sequence */
625     if (UNLIKELY(UTF8_IS_CONTINUATION(uv))) {
626         if (flags & UTF8_ALLOW_CONTINUATION) {
627             if (retlen) {
628                 *retlen = 1;
629             }
630             return UNICODE_REPLACEMENT;
631         }
632
633         if (! (flags & UTF8_CHECK_ONLY)) {
634             sv = sv_2mortal(Perl_newSVpvf(aTHX_ "%s (unexpected continuation byte 0x%02x, with no preceding start byte)", malformed_text, *s0));
635         }
636         curlen = 1;
637         goto malformed;
638     }
639
640 #ifdef EBCDIC
641     uv = NATIVE_TO_UTF(uv);
642 #endif
643
644     /* Here is not a continuation byte, nor an invariant.  The only thing left
645      * is a start byte (possibly for an overlong) */
646
647     /* Remove the leading bits that indicate the number of bytes in the
648      * character's whole UTF-8 sequence, leaving just the bits that are part of
649      * the value */
650     uv &= UTF_START_MASK(expectlen);
651
652     /* Now, loop through the remaining bytes in the character's sequence,
653      * accumulating each into the working value as we go.  Be sure to not look
654      * past the end of the input string */
655     send =  (U8*) s0 + ((expectlen <= curlen) ? expectlen : curlen);
656
657     for (s = s0 + 1; s < send; s++) {
658         if (LIKELY(UTF8_IS_CONTINUATION(*s))) {
659 #ifndef EBCDIC  /* Can't overflow in EBCDIC */
660             if (uv & UTF_ACCUMULATION_OVERFLOW_MASK) {
661
662                 /* The original implementors viewed this malformation as more
663                  * serious than the others (though I, khw, don't understand
664                  * why, since other malformations also give very very wrong
665                  * results), so there is no way to turn off checking for it.
666                  * Set a flag, but keep going in the loop, so that we absorb
667                  * the rest of the bytes that comprise the character. */
668                 overflowed = TRUE;
669                 overflow_byte = *s; /* Save for warning message's use */
670             }
671 #endif
672             uv = UTF8_ACCUMULATE(uv, *s);
673         }
674         else {
675             /* Here, found a non-continuation before processing all expected
676              * bytes.  This byte begins a new character, so quit, even if
677              * allowing this malformation. */
678             unexpected_non_continuation = TRUE;
679             break;
680         }
681     } /* End of loop through the character's bytes */
682
683     /* Save how many bytes were actually in the character */
684     curlen = s - s0;
685
686     /* The loop above finds two types of malformations: non-continuation and/or
687      * overflow.  The non-continuation malformation is really a too-short
688      * malformation, as it means that the current character ended before it was
689      * expected to (being terminated prematurely by the beginning of the next
690      * character, whereas in the too-short malformation there just are too few
691      * bytes available to hold the character.  In both cases, the check below
692      * that we have found the expected number of bytes would fail if executed.)
693      * Thus the non-continuation malformation is really unnecessary, being a
694      * subset of the too-short malformation.  But there may be existing
695      * applications that are expecting the non-continuation type, so we retain
696      * it, and return it in preference to the too-short malformation.  (If this
697      * code were being written from scratch, the two types might be collapsed
698      * into one.)  I, khw, am also giving priority to returning the
699      * non-continuation and too-short malformations over overflow when multiple
700      * ones are present.  I don't know of any real reason to prefer one over
701      * the other, except that it seems to me that multiple-byte errors trumps
702      * errors from a single byte */
703     if (UNLIKELY(unexpected_non_continuation)) {
704         if (!(flags & UTF8_ALLOW_NON_CONTINUATION)) {
705             if (! (flags & UTF8_CHECK_ONLY)) {
706                 if (curlen == 1) {
707                     sv = sv_2mortal(Perl_newSVpvf(aTHX_ "%s (unexpected non-continuation byte 0x%02x, immediately after start byte 0x%02x)", malformed_text, *s, *s0));
708                 }
709                 else {
710                     sv = sv_2mortal(Perl_newSVpvf(aTHX_ "%s (unexpected non-continuation byte 0x%02x, %d bytes after start byte 0x%02x, expected %d bytes)", malformed_text, *s, (int) curlen, *s0, (int)expectlen));
711                 }
712             }
713             goto malformed;
714         }
715         uv = UNICODE_REPLACEMENT;
716
717         /* Skip testing for overlongs, as the REPLACEMENT may not be the same
718          * as what the original expectations were. */
719         do_overlong_test = FALSE;
720         if (retlen) {
721             *retlen = curlen;
722         }
723     }
724     else if (UNLIKELY(curlen < expectlen)) {
725         if (! (flags & UTF8_ALLOW_SHORT)) {
726             if (! (flags & UTF8_CHECK_ONLY)) {
727                 sv = sv_2mortal(Perl_newSVpvf(aTHX_ "%s (%d byte%s, need %d, after start byte 0x%02x)", malformed_text, (int)curlen, curlen == 1 ? "" : "s", (int)expectlen, *s0));
728             }
729             goto malformed;
730         }
731         uv = UNICODE_REPLACEMENT;
732         do_overlong_test = FALSE;
733         if (retlen) {
734             *retlen = curlen;
735         }
736     }
737
738 #ifndef EBCDIC  /* EBCDIC allows FE, FF, can't overflow */
739     if ((*s0 & 0xFE) == 0xFE    /* matches both FE, FF */
740         && (flags & (UTF8_WARN_FE_FF|UTF8_DISALLOW_FE_FF)))
741     {
742         /* By adding UTF8_CHECK_ONLY to the test, we avoid unnecessary
743          * generation of the sv, since no warnings are raised under CHECK */
744         if ((flags & (UTF8_WARN_FE_FF|UTF8_CHECK_ONLY)) == UTF8_WARN_FE_FF
745             && ckWARN_d(WARN_UTF8))
746         {
747             /* This message is deliberately not of the same syntax as the other
748              * messages for malformations, for backwards compatibility in the
749              * unlikely event that code is relying on its precise earlier text
750              */
751             sv = sv_2mortal(Perl_newSVpvf(aTHX_ "%s Code point beginning with byte 0x%02X is not Unicode, and not portable", malformed_text, *s0));
752             pack_warn = packWARN(WARN_UTF8);
753         }
754         if (flags & UTF8_DISALLOW_FE_FF) {
755             goto malformed;
756         }
757     }
758     if (UNLIKELY(overflowed)) {
759
760         /* If the first byte is FF, it will overflow a 32-bit word.  If the
761          * first byte is FE, it will overflow a signed 32-bit word.  The
762          * above preserves backward compatibility, since its message was used
763          * in earlier versions of this code in preference to overflow */
764         sv = sv_2mortal(Perl_newSVpvf(aTHX_ "%s (overflow at byte 0x%02x, after start byte 0x%02x)", malformed_text, overflow_byte, *s0));
765         goto malformed;
766     }
767 #endif
768
769     if (do_overlong_test
770         && expectlen > (STRLEN)UNISKIP(uv)
771         && ! (flags & UTF8_ALLOW_LONG))
772     {
773         /* The overlong malformation has lower precedence than the others.
774          * Note that if this malformation is allowed, we return the actual
775          * value, instead of the replacement character.  This is because this
776          * value is actually well-defined. */
777         if (! (flags & UTF8_CHECK_ONLY)) {
778             sv = sv_2mortal(Perl_newSVpvf(aTHX_ "%s (%d byte%s, need %d, after start byte 0x%02x)", malformed_text, (int)expectlen, expectlen == 1 ? "": "s", UNISKIP(uv), *s0));
779         }
780         goto malformed;
781     }
782
783     /* Here, the input is considered to be well-formed , but could be a
784      * problematic code point that is not allowed by the input parameters. */
785     if (uv >= UNICODE_SURROGATE_FIRST /* isn't problematic if < this */
786         && (flags & (UTF8_DISALLOW_ILLEGAL_INTERCHANGE
787                      |UTF8_WARN_ILLEGAL_INTERCHANGE)))
788     {
789         if (UNICODE_IS_SURROGATE(uv)) {
790             if ((flags & (UTF8_WARN_SURROGATE|UTF8_CHECK_ONLY)) == UTF8_WARN_SURROGATE
791                 && ckWARN2_d(WARN_UTF8, WARN_SURROGATE))
792             {
793                 sv = sv_2mortal(Perl_newSVpvf(aTHX_ "UTF-16 surrogate U+%04"UVXf"", uv));
794                 pack_warn = packWARN2(WARN_UTF8, WARN_SURROGATE);
795             }
796             if (flags & UTF8_DISALLOW_SURROGATE) {
797                 goto disallowed;
798             }
799         }
800         else if ((uv > PERL_UNICODE_MAX)) {
801             if ((flags & (UTF8_WARN_SUPER|UTF8_CHECK_ONLY)) == UTF8_WARN_SUPER
802                 && ckWARN2_d(WARN_UTF8, WARN_NON_UNICODE))
803             {
804                 sv = sv_2mortal(Perl_newSVpvf(aTHX_ "Code point 0x%04"UVXf" is not Unicode, may not be portable", uv));
805                 pack_warn = packWARN2(WARN_UTF8, WARN_NON_UNICODE);
806             }
807             if (flags & UTF8_DISALLOW_SUPER) {
808                 goto disallowed;
809             }
810         }
811         else if (UNICODE_IS_NONCHAR(uv)) {
812             if ((flags & (UTF8_WARN_NONCHAR|UTF8_CHECK_ONLY)) == UTF8_WARN_NONCHAR
813                 && ckWARN2_d(WARN_UTF8, WARN_NONCHAR))
814             {
815                 sv = sv_2mortal(Perl_newSVpvf(aTHX_ "Unicode non-character U+%04"UVXf" is illegal for open interchange", uv));
816                 pack_warn = packWARN2(WARN_UTF8, WARN_NONCHAR);
817             }
818             if (flags & UTF8_DISALLOW_NONCHAR) {
819                 goto disallowed;
820             }
821         }
822
823         if (sv) {
824             outlier_ret = uv;
825             goto do_warn;
826         }
827
828         /* Here, this is not considered a malformed character, so drop through
829          * to return it */
830     }
831
832     return uv;
833
834     /* There are three cases which get to beyond this point.  In all 3 cases:
835      * <sv>         if not null points to a string to print as a warning.
836      * <curlen>     is what <*retlen> should be set to if UTF8_CHECK_ONLY isn't
837      *              set.
838      * <outlier_ret> is what return value to use if UTF8_CHECK_ONLY isn't set.
839      *              This is done by initializing it to 0, and changing it only
840      *              for case 1).
841      * The 3 cases are:
842      * 1)   The input is valid but problematic, and to be warned about.  The
843      *      return value is the resultant code point; <*retlen> is set to
844      *      <curlen>, the number of bytes that comprise the code point.
845      *      <pack_warn> contains the result of packWARN() for the warning
846      *      types.  The entry point for this case is the label <do_warn>;
847      * 2)   The input is a valid code point but disallowed by the parameters to
848      *      this function.  The return value is 0.  If UTF8_CHECK_ONLY is set,
849      *      <*relen> is -1; otherwise it is <curlen>, the number of bytes that
850      *      comprise the code point.  <pack_warn> contains the result of
851      *      packWARN() for the warning types.  The entry point for this case is
852      *      the label <disallowed>.
853      * 3)   The input is malformed.  The return value is 0.  If UTF8_CHECK_ONLY
854      *      is set, <*relen> is -1; otherwise it is <curlen>, the number of
855      *      bytes that comprise the malformation.  All such malformations are
856      *      assumed to be warning type <utf8>.  The entry point for this case
857      *      is the label <malformed>.
858      */
859
860 malformed:
861
862     if (sv && ckWARN_d(WARN_UTF8)) {
863         pack_warn = packWARN(WARN_UTF8);
864     }
865
866 disallowed:
867
868     if (flags & UTF8_CHECK_ONLY) {
869         if (retlen)
870             *retlen = ((STRLEN) -1);
871         return 0;
872     }
873
874 do_warn:
875
876     if (pack_warn) {    /* <pack_warn> was initialized to 0, and changed only
877                            if warnings are to be raised. */
878         const char * const string = SvPVX_const(sv);
879
880         if (PL_op)
881             Perl_warner(aTHX_ pack_warn, "%s in %s", string,  OP_DESC(PL_op));
882         else
883             Perl_warner(aTHX_ pack_warn, "%s", string);
884     }
885
886     if (retlen) {
887         *retlen = curlen;
888     }
889
890     return outlier_ret;
891 }
892
893 /*
894 =for apidoc utf8_to_uvchr_buf
895
896 Returns the native code point of the first character in the string C<s> which
897 is assumed to be in UTF-8 encoding; C<send> points to 1 beyond the end of C<s>.
898 C<*retlen> will be set to the length, in bytes, of that character.
899
900 If C<s> does not point to a well-formed UTF-8 character and UTF8 warnings are
901 enabled, zero is returned and C<*retlen> is set (if C<retlen> isn't
902 NULL) to -1.  If those warnings are off, the computed value if well-defined (or
903 the Unicode REPLACEMENT CHARACTER, if not) is silently returned, and C<*retlen>
904 is set (if C<retlen> isn't NULL) so that (S<C<s> + C<*retlen>>) is the
905 next possible position in C<s> that could begin a non-malformed character.
906 See L</utf8n_to_uvuni> for details on when the REPLACEMENT CHARACTER is returned.
907
908 =cut
909 */
910
911
912 UV
913 Perl_utf8_to_uvchr_buf(pTHX_ const U8 *s, const U8 *send, STRLEN *retlen)
914 {
915     PERL_ARGS_ASSERT_UTF8_TO_UVCHR_BUF;
916
917     assert(s < send);
918
919     return utf8n_to_uvchr(s, send - s, retlen,
920                           ckWARN_d(WARN_UTF8) ? 0 : UTF8_ALLOW_ANY);
921 }
922
923 /* Like L</utf8_to_uvchr_buf>(), but should only be called when it is known that
924  * there are no malformations in the input UTF-8 string C<s>.  surrogates,
925  * non-character code points, and non-Unicode code points are allowed.  A macro
926  * in utf8.h is used to normally avoid this function wrapper */
927
928 UV
929 Perl_valid_utf8_to_uvchr(pTHX_ const U8 *s, STRLEN *retlen)
930 {
931     const UV uv = valid_utf8_to_uvuni(s, retlen);
932
933     PERL_ARGS_ASSERT_VALID_UTF8_TO_UVCHR;
934
935     return UNI_TO_NATIVE(uv);
936 }
937
938 /*
939 =for apidoc utf8_to_uvchr
940
941 DEPRECATED!
942
943 Returns the native code point of the first character in the string C<s>
944 which is assumed to be in UTF-8 encoding; C<retlen> will be set to the
945 length, in bytes, of that character.
946
947 Some, but not all, UTF-8 malformations are detected, and in fact, some
948 malformed input could cause reading beyond the end of the input buffer, which
949 is why this function is deprecated.  Use L</utf8_to_uvchr_buf> instead.
950
951 If C<s> points to one of the detected malformations, and UTF8 warnings are
952 enabled, zero is returned and C<*retlen> is set (if C<retlen> isn't
953 NULL) to -1.  If those warnings are off, the computed value if well-defined (or
954 the Unicode REPLACEMENT CHARACTER, if not) is silently returned, and C<*retlen>
955 is set (if C<retlen> isn't NULL) so that (S<C<s> + C<*retlen>>) is the
956 next possible position in C<s> that could begin a non-malformed character.
957 See L</utf8n_to_uvuni> for details on when the REPLACEMENT CHARACTER is returned.
958
959 =cut
960 */
961
962 UV
963 Perl_utf8_to_uvchr(pTHX_ const U8 *s, STRLEN *retlen)
964 {
965     PERL_ARGS_ASSERT_UTF8_TO_UVCHR;
966
967     return utf8_to_uvchr_buf(s, s + UTF8_MAXBYTES, retlen);
968 }
969
970 /*
971 =for apidoc utf8_to_uvuni_buf
972
973 Returns the Unicode code point of the first character in the string C<s> which
974 is assumed to be in UTF-8 encoding; C<send> points to 1 beyond the end of C<s>.
975 C<retlen> will be set to the length, in bytes, of that character.
976
977 This function should only be used when the returned UV is considered
978 an index into the Unicode semantic tables (e.g. swashes).
979
980 If C<s> does not point to a well-formed UTF-8 character and UTF8 warnings are
981 enabled, zero is returned and C<*retlen> is set (if C<retlen> isn't
982 NULL) to -1.  If those warnings are off, the computed value if well-defined (or
983 the Unicode REPLACEMENT CHARACTER, if not) is silently returned, and C<*retlen>
984 is set (if C<retlen> isn't NULL) so that (S<C<s> + C<*retlen>>) is the
985 next possible position in C<s> that could begin a non-malformed character.
986 See L</utf8n_to_uvuni> for details on when the REPLACEMENT CHARACTER is returned.
987
988 =cut
989 */
990
991 UV
992 Perl_utf8_to_uvuni_buf(pTHX_ const U8 *s, const U8 *send, STRLEN *retlen)
993 {
994     PERL_ARGS_ASSERT_UTF8_TO_UVUNI_BUF;
995
996     assert(send > s);
997
998     /* Call the low level routine asking for checks */
999     return Perl_utf8n_to_uvuni(aTHX_ s, send -s, retlen,
1000                                ckWARN_d(WARN_UTF8) ? 0 : UTF8_ALLOW_ANY);
1001 }
1002
1003 /* Like L</utf8_to_uvuni_buf>(), but should only be called when it is known that
1004  * there are no malformations in the input UTF-8 string C<s>.  Surrogates,
1005  * non-character code points, and non-Unicode code points are allowed */
1006
1007 UV
1008 Perl_valid_utf8_to_uvuni(pTHX_ const U8 *s, STRLEN *retlen)
1009 {
1010     UV expectlen = UTF8SKIP(s);
1011     const U8* send = s + expectlen;
1012     UV uv = NATIVE_TO_UTF(*s);
1013
1014     PERL_ARGS_ASSERT_VALID_UTF8_TO_UVUNI;
1015
1016     if (retlen) {
1017         *retlen = expectlen;
1018     }
1019
1020     /* An invariant is trivially returned */
1021     if (expectlen == 1) {
1022         return uv;
1023     }
1024
1025     /* Remove the leading bits that indicate the number of bytes, leaving just
1026      * the bits that are part of the value */
1027     uv &= UTF_START_MASK(expectlen);
1028
1029     /* Now, loop through the remaining bytes, accumulating each into the
1030      * working total as we go.  (I khw tried unrolling the loop for up to 4
1031      * bytes, but there was no performance improvement) */
1032     for (++s; s < send; s++) {
1033         uv = UTF8_ACCUMULATE(uv, *s);
1034     }
1035
1036     return uv;
1037 }
1038
1039 /*
1040 =for apidoc utf8_to_uvuni
1041
1042 DEPRECATED!
1043
1044 Returns the Unicode code point of the first character in the string C<s>
1045 which is assumed to be in UTF-8 encoding; C<retlen> will be set to the
1046 length, in bytes, of that character.
1047
1048 This function should only be used when the returned UV is considered
1049 an index into the Unicode semantic tables (e.g. swashes).
1050
1051 Some, but not all, UTF-8 malformations are detected, and in fact, some
1052 malformed input could cause reading beyond the end of the input buffer, which
1053 is why this function is deprecated.  Use L</utf8_to_uvuni_buf> instead.
1054
1055 If C<s> points to one of the detected malformations, and UTF8 warnings are
1056 enabled, zero is returned and C<*retlen> is set (if C<retlen> doesn't point to
1057 NULL) to -1.  If those warnings are off, the computed value if well-defined (or
1058 the Unicode REPLACEMENT CHARACTER, if not) is silently returned, and C<*retlen>
1059 is set (if C<retlen> isn't NULL) so that (S<C<s> + C<*retlen>>) is the
1060 next possible position in C<s> that could begin a non-malformed character.
1061 See L</utf8n_to_uvuni> for details on when the REPLACEMENT CHARACTER is returned.
1062
1063 =cut
1064 */
1065
1066 UV
1067 Perl_utf8_to_uvuni(pTHX_ const U8 *s, STRLEN *retlen)
1068 {
1069     PERL_ARGS_ASSERT_UTF8_TO_UVUNI;
1070
1071     return valid_utf8_to_uvuni(s, retlen);
1072 }
1073
1074 /*
1075 =for apidoc utf8_length
1076
1077 Return the length of the UTF-8 char encoded string C<s> in characters.
1078 Stops at C<e> (inclusive).  If C<e E<lt> s> or if the scan would end
1079 up past C<e>, croaks.
1080
1081 =cut
1082 */
1083
1084 STRLEN
1085 Perl_utf8_length(pTHX_ const U8 *s, const U8 *e)
1086 {
1087     dVAR;
1088     STRLEN len = 0;
1089
1090     PERL_ARGS_ASSERT_UTF8_LENGTH;
1091
1092     /* Note: cannot use UTF8_IS_...() too eagerly here since e.g.
1093      * the bitops (especially ~) can create illegal UTF-8.
1094      * In other words: in Perl UTF-8 is not just for Unicode. */
1095
1096     if (e < s)
1097         goto warn_and_return;
1098     while (s < e) {
1099         if (!UTF8_IS_INVARIANT(*s))
1100             s += UTF8SKIP(s);
1101         else
1102             s++;
1103         len++;
1104     }
1105
1106     if (e != s) {
1107         len--;
1108         warn_and_return:
1109         if (PL_op)
1110             Perl_ck_warner_d(aTHX_ packWARN(WARN_UTF8),
1111                              "%s in %s", unees, OP_DESC(PL_op));
1112         else
1113             Perl_ck_warner_d(aTHX_ packWARN(WARN_UTF8), "%s", unees);
1114     }
1115
1116     return len;
1117 }
1118
1119 /*
1120 =for apidoc utf8_distance
1121
1122 Returns the number of UTF-8 characters between the UTF-8 pointers C<a>
1123 and C<b>.
1124
1125 WARNING: use only if you *know* that the pointers point inside the
1126 same UTF-8 buffer.
1127
1128 =cut
1129 */
1130
1131 IV
1132 Perl_utf8_distance(pTHX_ const U8 *a, const U8 *b)
1133 {
1134     PERL_ARGS_ASSERT_UTF8_DISTANCE;
1135
1136     return (a < b) ? -1 * (IV) utf8_length(a, b) : (IV) utf8_length(b, a);
1137 }
1138
1139 /*
1140 =for apidoc utf8_hop
1141
1142 Return the UTF-8 pointer C<s> displaced by C<off> characters, either
1143 forward or backward.
1144
1145 WARNING: do not use the following unless you *know* C<off> is within
1146 the UTF-8 data pointed to by C<s> *and* that on entry C<s> is aligned
1147 on the first byte of character or just after the last byte of a character.
1148
1149 =cut
1150 */
1151
1152 U8 *
1153 Perl_utf8_hop(pTHX_ const U8 *s, I32 off)
1154 {
1155     PERL_ARGS_ASSERT_UTF8_HOP;
1156
1157     PERL_UNUSED_CONTEXT;
1158     /* Note: cannot use UTF8_IS_...() too eagerly here since e.g
1159      * the bitops (especially ~) can create illegal UTF-8.
1160      * In other words: in Perl UTF-8 is not just for Unicode. */
1161
1162     if (off >= 0) {
1163         while (off--)
1164             s += UTF8SKIP(s);
1165     }
1166     else {
1167         while (off++) {
1168             s--;
1169             while (UTF8_IS_CONTINUATION(*s))
1170                 s--;
1171         }
1172     }
1173     return (U8 *)s;
1174 }
1175
1176 /*
1177 =for apidoc bytes_cmp_utf8
1178
1179 Compares the sequence of characters (stored as octets) in C<b>, C<blen> with the
1180 sequence of characters (stored as UTF-8) in C<u>, C<ulen>. Returns 0 if they are
1181 equal, -1 or -2 if the first string is less than the second string, +1 or +2
1182 if the first string is greater than the second string.
1183
1184 -1 or +1 is returned if the shorter string was identical to the start of the
1185 longer string. -2 or +2 is returned if the was a difference between characters
1186 within the strings.
1187
1188 =cut
1189 */
1190
1191 int
1192 Perl_bytes_cmp_utf8(pTHX_ const U8 *b, STRLEN blen, const U8 *u, STRLEN ulen)
1193 {
1194     const U8 *const bend = b + blen;
1195     const U8 *const uend = u + ulen;
1196
1197     PERL_ARGS_ASSERT_BYTES_CMP_UTF8;
1198
1199     PERL_UNUSED_CONTEXT;
1200
1201     while (b < bend && u < uend) {
1202         U8 c = *u++;
1203         if (!UTF8_IS_INVARIANT(c)) {
1204             if (UTF8_IS_DOWNGRADEABLE_START(c)) {
1205                 if (u < uend) {
1206                     U8 c1 = *u++;
1207                     if (UTF8_IS_CONTINUATION(c1)) {
1208                         c = UNI_TO_NATIVE(TWO_BYTE_UTF8_TO_UNI(c, c1));
1209                     } else {
1210                         Perl_ck_warner_d(aTHX_ packWARN(WARN_UTF8),
1211                                          "Malformed UTF-8 character "
1212                                          "(unexpected non-continuation byte 0x%02x"
1213                                          ", immediately after start byte 0x%02x)"
1214                                          /* Dear diag.t, it's in the pod.  */
1215                                          "%s%s", c1, c,
1216                                          PL_op ? " in " : "",
1217                                          PL_op ? OP_DESC(PL_op) : "");
1218                         return -2;
1219                     }
1220                 } else {
1221                     if (PL_op)
1222                         Perl_ck_warner_d(aTHX_ packWARN(WARN_UTF8),
1223                                          "%s in %s", unees, OP_DESC(PL_op));
1224                     else
1225                         Perl_ck_warner_d(aTHX_ packWARN(WARN_UTF8), "%s", unees);
1226                     return -2; /* Really want to return undef :-)  */
1227                 }
1228             } else {
1229                 return -2;
1230             }
1231         }
1232         if (*b != c) {
1233             return *b < c ? -2 : +2;
1234         }
1235         ++b;
1236     }
1237
1238     if (b == bend && u == uend)
1239         return 0;
1240
1241     return b < bend ? +1 : -1;
1242 }
1243
1244 /*
1245 =for apidoc utf8_to_bytes
1246
1247 Converts a string C<s> of length C<len> from UTF-8 into native byte encoding.
1248 Unlike L</bytes_to_utf8>, this over-writes the original string, and
1249 updates C<len> to contain the new length.
1250 Returns zero on failure, setting C<len> to -1.
1251
1252 If you need a copy of the string, see L</bytes_from_utf8>.
1253
1254 =cut
1255 */
1256
1257 U8 *
1258 Perl_utf8_to_bytes(pTHX_ U8 *s, STRLEN *len)
1259 {
1260     U8 * const save = s;
1261     U8 * const send = s + *len;
1262     U8 *d;
1263
1264     PERL_ARGS_ASSERT_UTF8_TO_BYTES;
1265
1266     /* ensure valid UTF-8 and chars < 256 before updating string */
1267     while (s < send) {
1268         U8 c = *s++;
1269
1270         if (!UTF8_IS_INVARIANT(c) &&
1271             (!UTF8_IS_DOWNGRADEABLE_START(c) || (s >= send)
1272              || !(c = *s++) || !UTF8_IS_CONTINUATION(c))) {
1273             *len = ((STRLEN) -1);
1274             return 0;
1275         }
1276     }
1277
1278     d = s = save;
1279     while (s < send) {
1280         STRLEN ulen;
1281         *d++ = (U8)utf8_to_uvchr_buf(s, send, &ulen);
1282         s += ulen;
1283     }
1284     *d = '\0';
1285     *len = d - save;
1286     return save;
1287 }
1288
1289 /*
1290 =for apidoc bytes_from_utf8
1291
1292 Converts a string C<s> of length C<len> from UTF-8 into native byte encoding.
1293 Unlike L</utf8_to_bytes> but like L</bytes_to_utf8>, returns a pointer to
1294 the newly-created string, and updates C<len> to contain the new
1295 length.  Returns the original string if no conversion occurs, C<len>
1296 is unchanged. Do nothing if C<is_utf8> points to 0. Sets C<is_utf8> to
1297 0 if C<s> is converted or consisted entirely of characters that are invariant
1298 in utf8 (i.e., US-ASCII on non-EBCDIC machines).
1299
1300 =cut
1301 */
1302
1303 U8 *
1304 Perl_bytes_from_utf8(pTHX_ const U8 *s, STRLEN *len, bool *is_utf8)
1305 {
1306     U8 *d;
1307     const U8 *start = s;
1308     const U8 *send;
1309     I32 count = 0;
1310
1311     PERL_ARGS_ASSERT_BYTES_FROM_UTF8;
1312
1313     PERL_UNUSED_CONTEXT;
1314     if (!*is_utf8)
1315         return (U8 *)start;
1316
1317     /* ensure valid UTF-8 and chars < 256 before converting string */
1318     for (send = s + *len; s < send;) {
1319         U8 c = *s++;
1320         if (!UTF8_IS_INVARIANT(c)) {
1321             if (UTF8_IS_DOWNGRADEABLE_START(c) && s < send &&
1322                 (c = *s++) && UTF8_IS_CONTINUATION(c))
1323                 count++;
1324             else
1325                 return (U8 *)start;
1326         }
1327     }
1328
1329     *is_utf8 = FALSE;
1330
1331     Newx(d, (*len) - count + 1, U8);
1332     s = start; start = d;
1333     while (s < send) {
1334         U8 c = *s++;
1335         if (!UTF8_IS_INVARIANT(c)) {
1336             /* Then it is two-byte encoded */
1337             c = UNI_TO_NATIVE(TWO_BYTE_UTF8_TO_UNI(c, *s++));
1338         }
1339         *d++ = c;
1340     }
1341     *d = '\0';
1342     *len = d - start;
1343     return (U8 *)start;
1344 }
1345
1346 /*
1347 =for apidoc bytes_to_utf8
1348
1349 Converts a string C<s> of length C<len> bytes from the native encoding into
1350 UTF-8.
1351 Returns a pointer to the newly-created string, and sets C<len> to
1352 reflect the new length in bytes.
1353
1354 A NUL character will be written after the end of the string.
1355
1356 If you want to convert to UTF-8 from encodings other than
1357 the native (Latin1 or EBCDIC),
1358 see L</sv_recode_to_utf8>().
1359
1360 =cut
1361 */
1362
1363 /* This logic is duplicated in sv_catpvn_flags, so any bug fixes will
1364    likewise need duplication. */
1365
1366 U8*
1367 Perl_bytes_to_utf8(pTHX_ const U8 *s, STRLEN *len)
1368 {
1369     const U8 * const send = s + (*len);
1370     U8 *d;
1371     U8 *dst;
1372
1373     PERL_ARGS_ASSERT_BYTES_TO_UTF8;
1374     PERL_UNUSED_CONTEXT;
1375
1376     Newx(d, (*len) * 2 + 1, U8);
1377     dst = d;
1378
1379     while (s < send) {
1380         const UV uv = NATIVE_TO_ASCII(*s++);
1381         if (UNI_IS_INVARIANT(uv))
1382             *d++ = (U8)UTF_TO_NATIVE(uv);
1383         else {
1384             *d++ = (U8)UTF8_EIGHT_BIT_HI(uv);
1385             *d++ = (U8)UTF8_EIGHT_BIT_LO(uv);
1386         }
1387     }
1388     *d = '\0';
1389     *len = d-dst;
1390     return dst;
1391 }
1392
1393 /*
1394  * Convert native (big-endian) or reversed (little-endian) UTF-16 to UTF-8.
1395  *
1396  * Destination must be pre-extended to 3/2 source.  Do not use in-place.
1397  * We optimize for native, for obvious reasons. */
1398
1399 U8*
1400 Perl_utf16_to_utf8(pTHX_ U8* p, U8* d, I32 bytelen, I32 *newlen)
1401 {
1402     U8* pend;
1403     U8* dstart = d;
1404
1405     PERL_ARGS_ASSERT_UTF16_TO_UTF8;
1406
1407     if (bytelen & 1)
1408         Perl_croak(aTHX_ "panic: utf16_to_utf8: odd bytelen %"UVuf, (UV)bytelen);
1409
1410     pend = p + bytelen;
1411
1412     while (p < pend) {
1413         UV uv = (p[0] << 8) + p[1]; /* UTF-16BE */
1414         p += 2;
1415         if (uv < 0x80) {
1416 #ifdef EBCDIC
1417             *d++ = UNI_TO_NATIVE(uv);
1418 #else
1419             *d++ = (U8)uv;
1420 #endif
1421             continue;
1422         }
1423         if (uv < 0x800) {
1424             *d++ = (U8)(( uv >>  6)         | 0xc0);
1425             *d++ = (U8)(( uv        & 0x3f) | 0x80);
1426             continue;
1427         }
1428         if (uv >= 0xd800 && uv <= 0xdbff) {     /* surrogates */
1429             if (p >= pend) {
1430                 Perl_croak(aTHX_ "Malformed UTF-16 surrogate");
1431             } else {
1432                 UV low = (p[0] << 8) + p[1];
1433                 p += 2;
1434                 if (low < 0xdc00 || low > 0xdfff)
1435                     Perl_croak(aTHX_ "Malformed UTF-16 surrogate");
1436                 uv = ((uv - 0xd800) << 10) + (low - 0xdc00) + 0x10000;
1437             }
1438         } else if (uv >= 0xdc00 && uv <= 0xdfff) {
1439             Perl_croak(aTHX_ "Malformed UTF-16 surrogate");
1440         }
1441         if (uv < 0x10000) {
1442             *d++ = (U8)(( uv >> 12)         | 0xe0);
1443             *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
1444             *d++ = (U8)(( uv        & 0x3f) | 0x80);
1445             continue;
1446         }
1447         else {
1448             *d++ = (U8)(( uv >> 18)         | 0xf0);
1449             *d++ = (U8)(((uv >> 12) & 0x3f) | 0x80);
1450             *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
1451             *d++ = (U8)(( uv        & 0x3f) | 0x80);
1452             continue;
1453         }
1454     }
1455     *newlen = d - dstart;
1456     return d;
1457 }
1458
1459 /* Note: this one is slightly destructive of the source. */
1460
1461 U8*
1462 Perl_utf16_to_utf8_reversed(pTHX_ U8* p, U8* d, I32 bytelen, I32 *newlen)
1463 {
1464     U8* s = (U8*)p;
1465     U8* const send = s + bytelen;
1466
1467     PERL_ARGS_ASSERT_UTF16_TO_UTF8_REVERSED;
1468
1469     if (bytelen & 1)
1470         Perl_croak(aTHX_ "panic: utf16_to_utf8_reversed: odd bytelen %"UVuf,
1471                    (UV)bytelen);
1472
1473     while (s < send) {
1474         const U8 tmp = s[0];
1475         s[0] = s[1];
1476         s[1] = tmp;
1477         s += 2;
1478     }
1479     return utf16_to_utf8(p, d, bytelen, newlen);
1480 }
1481
1482 /* for now these are all defined (inefficiently) in terms of the utf8 versions.
1483  * Note that the macros in handy.h that call these short-circuit calling them
1484  * for Latin-1 range inputs */
1485
1486 bool
1487 Perl_is_uni_alnum(pTHX_ UV c)
1488 {
1489     U8 tmpbuf[UTF8_MAXBYTES+1];
1490     uvchr_to_utf8(tmpbuf, c);
1491     return is_utf8_alnum(tmpbuf);
1492 }
1493
1494 bool
1495 Perl_is_uni_idfirst(pTHX_ UV c)
1496 {
1497     U8 tmpbuf[UTF8_MAXBYTES+1];
1498     uvchr_to_utf8(tmpbuf, c);
1499     return is_utf8_idfirst(tmpbuf);
1500 }
1501
1502 bool
1503 Perl_is_uni_alpha(pTHX_ UV c)
1504 {
1505     U8 tmpbuf[UTF8_MAXBYTES+1];
1506     uvchr_to_utf8(tmpbuf, c);
1507     return is_utf8_alpha(tmpbuf);
1508 }
1509
1510 bool
1511 Perl_is_uni_ascii(pTHX_ UV c)
1512 {
1513     return isASCII(c);
1514 }
1515
1516 bool
1517 Perl_is_uni_blank(pTHX_ UV c)
1518 {
1519     U8 tmpbuf[UTF8_MAXBYTES+1];
1520     uvchr_to_utf8(tmpbuf, c);
1521     return is_utf8_blank(tmpbuf);
1522 }
1523
1524 bool
1525 Perl_is_uni_space(pTHX_ UV c)
1526 {
1527     U8 tmpbuf[UTF8_MAXBYTES+1];
1528     uvchr_to_utf8(tmpbuf, c);
1529     return is_utf8_space(tmpbuf);
1530 }
1531
1532 bool
1533 Perl_is_uni_digit(pTHX_ UV c)
1534 {
1535     U8 tmpbuf[UTF8_MAXBYTES+1];
1536     uvchr_to_utf8(tmpbuf, c);
1537     return is_utf8_digit(tmpbuf);
1538 }
1539
1540 bool
1541 Perl_is_uni_upper(pTHX_ UV c)
1542 {
1543     U8 tmpbuf[UTF8_MAXBYTES+1];
1544     uvchr_to_utf8(tmpbuf, c);
1545     return is_utf8_upper(tmpbuf);
1546 }
1547
1548 bool
1549 Perl_is_uni_lower(pTHX_ UV c)
1550 {
1551     U8 tmpbuf[UTF8_MAXBYTES+1];
1552     uvchr_to_utf8(tmpbuf, c);
1553     return is_utf8_lower(tmpbuf);
1554 }
1555
1556 bool
1557 Perl_is_uni_cntrl(pTHX_ UV c)
1558 {
1559     return isCNTRL_L1(c);
1560 }
1561
1562 bool
1563 Perl_is_uni_graph(pTHX_ UV c)
1564 {
1565     U8 tmpbuf[UTF8_MAXBYTES+1];
1566     uvchr_to_utf8(tmpbuf, c);
1567     return is_utf8_graph(tmpbuf);
1568 }
1569
1570 bool
1571 Perl_is_uni_print(pTHX_ UV c)
1572 {
1573     U8 tmpbuf[UTF8_MAXBYTES+1];
1574     uvchr_to_utf8(tmpbuf, c);
1575     return is_utf8_print(tmpbuf);
1576 }
1577
1578 bool
1579 Perl_is_uni_punct(pTHX_ UV c)
1580 {
1581     U8 tmpbuf[UTF8_MAXBYTES+1];
1582     uvchr_to_utf8(tmpbuf, c);
1583     return is_utf8_punct(tmpbuf);
1584 }
1585
1586 bool
1587 Perl_is_uni_xdigit(pTHX_ UV c)
1588 {
1589     U8 tmpbuf[UTF8_MAXBYTES_CASE+1];
1590     uvchr_to_utf8(tmpbuf, c);
1591     return is_utf8_xdigit(tmpbuf);
1592 }
1593
1594 UV
1595 Perl__to_upper_title_latin1(pTHX_ const U8 c, U8* p, STRLEN *lenp, const char S_or_s)
1596 {
1597     /* We have the latin1-range values compiled into the core, so just use
1598      * those, converting the result to utf8.  The only difference between upper
1599      * and title case in this range is that LATIN_SMALL_LETTER_SHARP_S is
1600      * either "SS" or "Ss".  Which one to use is passed into the routine in
1601      * 'S_or_s' to avoid a test */
1602
1603     UV converted = toUPPER_LATIN1_MOD(c);
1604
1605     PERL_ARGS_ASSERT__TO_UPPER_TITLE_LATIN1;
1606
1607     assert(S_or_s == 'S' || S_or_s == 's');
1608
1609     if (UNI_IS_INVARIANT(converted)) { /* No difference between the two for
1610                                           characters in this range */
1611         *p = (U8) converted;
1612         *lenp = 1;
1613         return converted;
1614     }
1615
1616     /* toUPPER_LATIN1_MOD gives the correct results except for three outliers,
1617      * which it maps to one of them, so as to only have to have one check for
1618      * it in the main case */
1619     if (UNLIKELY(converted == LATIN_SMALL_LETTER_Y_WITH_DIAERESIS)) {
1620         switch (c) {
1621             case LATIN_SMALL_LETTER_Y_WITH_DIAERESIS:
1622                 converted = LATIN_CAPITAL_LETTER_Y_WITH_DIAERESIS;
1623                 break;
1624             case MICRO_SIGN:
1625                 converted = GREEK_CAPITAL_LETTER_MU;
1626                 break;
1627             case LATIN_SMALL_LETTER_SHARP_S:
1628                 *(p)++ = 'S';
1629                 *p = S_or_s;
1630                 *lenp = 2;
1631                 return 'S';
1632             default:
1633                 Perl_croak(aTHX_ "panic: to_upper_title_latin1 did not expect '%c' to map to '%c'", c, LATIN_SMALL_LETTER_Y_WITH_DIAERESIS);
1634                 assert(0); /* NOTREACHED */
1635         }
1636     }
1637
1638     *(p)++ = UTF8_TWO_BYTE_HI(converted);
1639     *p = UTF8_TWO_BYTE_LO(converted);
1640     *lenp = 2;
1641
1642     return converted;
1643 }
1644
1645 /* Call the function to convert a UTF-8 encoded character to the specified case.
1646  * Note that there may be more than one character in the result.
1647  * INP is a pointer to the first byte of the input character
1648  * OUTP will be set to the first byte of the string of changed characters.  It
1649  *      needs to have space for UTF8_MAXBYTES_CASE+1 bytes
1650  * LENP will be set to the length in bytes of the string of changed characters
1651  *
1652  * The functions return the ordinal of the first character in the string of OUTP */
1653 #define CALL_UPPER_CASE(INP, OUTP, LENP) Perl_to_utf8_case(aTHX_ INP, OUTP, LENP, &PL_utf8_toupper, "ToUc", "utf8::ToSpecUc")
1654 #define CALL_TITLE_CASE(INP, OUTP, LENP) Perl_to_utf8_case(aTHX_ INP, OUTP, LENP, &PL_utf8_totitle, "ToTc", "utf8::ToSpecTc")
1655 #define CALL_LOWER_CASE(INP, OUTP, LENP) Perl_to_utf8_case(aTHX_ INP, OUTP, LENP, &PL_utf8_tolower, "ToLc", "utf8::ToSpecLc")
1656
1657 /* This additionally has the input parameter SPECIALS, which if non-zero will
1658  * cause this to use the SPECIALS hash for folding (meaning get full case
1659  * folding); otherwise, when zero, this implies a simple case fold */
1660 #define CALL_FOLD_CASE(INP, OUTP, LENP, SPECIALS) Perl_to_utf8_case(aTHX_ INP, OUTP, LENP, &PL_utf8_tofold, "ToCf", (SPECIALS) ? "utf8::ToSpecCf" : NULL)
1661
1662 UV
1663 Perl_to_uni_upper(pTHX_ UV c, U8* p, STRLEN *lenp)
1664 {
1665     dVAR;
1666
1667     /* Convert the Unicode character whose ordinal is <c> to its uppercase
1668      * version and store that in UTF-8 in <p> and its length in bytes in <lenp>.
1669      * Note that the <p> needs to be at least UTF8_MAXBYTES_CASE+1 bytes since
1670      * the changed version may be longer than the original character.
1671      *
1672      * The ordinal of the first character of the changed version is returned
1673      * (but note, as explained above, that there may be more.) */
1674
1675     PERL_ARGS_ASSERT_TO_UNI_UPPER;
1676
1677     if (c < 256) {
1678         return _to_upper_title_latin1((U8) c, p, lenp, 'S');
1679     }
1680
1681     uvchr_to_utf8(p, c);
1682     return CALL_UPPER_CASE(p, p, lenp);
1683 }
1684
1685 UV
1686 Perl_to_uni_title(pTHX_ UV c, U8* p, STRLEN *lenp)
1687 {
1688     dVAR;
1689
1690     PERL_ARGS_ASSERT_TO_UNI_TITLE;
1691
1692     if (c < 256) {
1693         return _to_upper_title_latin1((U8) c, p, lenp, 's');
1694     }
1695
1696     uvchr_to_utf8(p, c);
1697     return CALL_TITLE_CASE(p, p, lenp);
1698 }
1699
1700 STATIC U8
1701 S_to_lower_latin1(pTHX_ const U8 c, U8* p, STRLEN *lenp)
1702 {
1703     /* We have the latin1-range values compiled into the core, so just use
1704      * those, converting the result to utf8.  Since the result is always just
1705      * one character, we allow <p> to be NULL */
1706
1707     U8 converted = toLOWER_LATIN1(c);
1708
1709     if (p != NULL) {
1710         if (UNI_IS_INVARIANT(converted)) {
1711             *p = converted;
1712             *lenp = 1;
1713         }
1714         else {
1715             *p = UTF8_TWO_BYTE_HI(converted);
1716             *(p+1) = UTF8_TWO_BYTE_LO(converted);
1717             *lenp = 2;
1718         }
1719     }
1720     return converted;
1721 }
1722
1723 UV
1724 Perl_to_uni_lower(pTHX_ UV c, U8* p, STRLEN *lenp)
1725 {
1726     dVAR;
1727
1728     PERL_ARGS_ASSERT_TO_UNI_LOWER;
1729
1730     if (c < 256) {
1731         return to_lower_latin1((U8) c, p, lenp);
1732     }
1733
1734     uvchr_to_utf8(p, c);
1735     return CALL_LOWER_CASE(p, p, lenp);
1736 }
1737
1738 UV
1739 Perl__to_fold_latin1(pTHX_ const U8 c, U8* p, STRLEN *lenp, const bool flags)
1740 {
1741     /* Corresponds to to_lower_latin1(), <flags> is TRUE if to use full case
1742      * folding */
1743
1744     UV converted;
1745
1746     PERL_ARGS_ASSERT__TO_FOLD_LATIN1;
1747
1748     if (c == MICRO_SIGN) {
1749         converted = GREEK_SMALL_LETTER_MU;
1750     }
1751     else if (flags && c == LATIN_SMALL_LETTER_SHARP_S) {
1752         *(p)++ = 's';
1753         *p = 's';
1754         *lenp = 2;
1755         return 's';
1756     }
1757     else { /* In this range the fold of all other characters is their lower
1758               case */
1759         converted = toLOWER_LATIN1(c);
1760     }
1761
1762     if (UNI_IS_INVARIANT(converted)) {
1763         *p = (U8) converted;
1764         *lenp = 1;
1765     }
1766     else {
1767         *(p)++ = UTF8_TWO_BYTE_HI(converted);
1768         *p = UTF8_TWO_BYTE_LO(converted);
1769         *lenp = 2;
1770     }
1771
1772     return converted;
1773 }
1774
1775 UV
1776 Perl__to_uni_fold_flags(pTHX_ UV c, U8* p, STRLEN *lenp, const U8 flags)
1777 {
1778
1779     /* Not currently externally documented, and subject to change
1780      *  <flags> bits meanings:
1781      *      FOLD_FLAGS_FULL  iff full folding is to be used;
1782      *      FOLD_FLAGS_LOCALE iff in locale
1783      *      FOLD_FLAGS_NOMIX_ASCII iff non-ASCII to ASCII folds are prohibited
1784      */
1785
1786     PERL_ARGS_ASSERT__TO_UNI_FOLD_FLAGS;
1787
1788     if (c < 256) {
1789         UV result = _to_fold_latin1((U8) c, p, lenp,
1790                                cBOOL(((flags & FOLD_FLAGS_FULL)
1791                                    /* If ASCII-safe, don't allow full folding,
1792                                     * as that could include SHARP S => ss;
1793                                     * otherwise there is no crossing of
1794                                     * ascii/non-ascii in the latin1 range */
1795                                    && ! (flags & FOLD_FLAGS_NOMIX_ASCII))));
1796         /* It is illegal for the fold to cross the 255/256 boundary under
1797          * locale; in this case return the original */
1798         return (result > 256 && flags & FOLD_FLAGS_LOCALE)
1799                ? c
1800                : result;
1801     }
1802
1803     /* If no special needs, just use the macro */
1804     if ( ! (flags & (FOLD_FLAGS_LOCALE|FOLD_FLAGS_NOMIX_ASCII))) {
1805         uvchr_to_utf8(p, c);
1806         return CALL_FOLD_CASE(p, p, lenp, flags & FOLD_FLAGS_FULL);
1807     }
1808     else {  /* Otherwise, _to_utf8_fold_flags has the intelligence to deal with
1809                the special flags. */
1810         U8 utf8_c[UTF8_MAXBYTES + 1];
1811         uvchr_to_utf8(utf8_c, c);
1812         return _to_utf8_fold_flags(utf8_c, p, lenp, flags, NULL);
1813     }
1814 }
1815
1816 /* for now these all assume no locale info available for Unicode > 255; and
1817  * the corresponding macros in handy.h (like isALNUM_LC_uvchr) should have been
1818  * called instead, so that these don't get called for < 255 */
1819
1820 bool
1821 Perl_is_uni_alnum_lc(pTHX_ UV c)
1822 {
1823     return is_uni_alnum(c);     /* XXX no locale support yet */
1824 }
1825
1826 bool
1827 Perl_is_uni_idfirst_lc(pTHX_ UV c)
1828 {
1829     return is_uni_idfirst(c);   /* XXX no locale support yet */
1830 }
1831
1832 bool
1833 Perl_is_uni_alpha_lc(pTHX_ UV c)
1834 {
1835     return is_uni_alpha(c);     /* XXX no locale support yet */
1836 }
1837
1838 bool
1839 Perl_is_uni_ascii_lc(pTHX_ UV c)
1840 {
1841     return is_uni_ascii(c);     /* XXX no locale support yet */
1842 }
1843
1844 bool
1845 Perl_is_uni_blank_lc(pTHX_ UV c)
1846 {
1847     return is_uni_blank(c);     /* XXX no locale support yet */
1848 }
1849
1850 bool
1851 Perl_is_uni_space_lc(pTHX_ UV c)
1852 {
1853     return is_uni_space(c);     /* XXX no locale support yet */
1854 }
1855
1856 bool
1857 Perl_is_uni_digit_lc(pTHX_ UV c)
1858 {
1859     return is_uni_digit(c);     /* XXX no locale support yet */
1860 }
1861
1862 bool
1863 Perl_is_uni_upper_lc(pTHX_ UV c)
1864 {
1865     return is_uni_upper(c);     /* XXX no locale support yet */
1866 }
1867
1868 bool
1869 Perl_is_uni_lower_lc(pTHX_ UV c)
1870 {
1871     return is_uni_lower(c);     /* XXX no locale support yet */
1872 }
1873
1874 bool
1875 Perl_is_uni_cntrl_lc(pTHX_ UV c)
1876 {
1877     return is_uni_cntrl(c);     /* XXX no locale support yet */
1878 }
1879
1880 bool
1881 Perl_is_uni_graph_lc(pTHX_ UV c)
1882 {
1883     return is_uni_graph(c);     /* XXX no locale support yet */
1884 }
1885
1886 bool
1887 Perl_is_uni_print_lc(pTHX_ UV c)
1888 {
1889     return is_uni_print(c);     /* XXX no locale support yet */
1890 }
1891
1892 bool
1893 Perl_is_uni_punct_lc(pTHX_ UV c)
1894 {
1895     return is_uni_punct(c);     /* XXX no locale support yet */
1896 }
1897
1898 bool
1899 Perl_is_uni_xdigit_lc(pTHX_ UV c)
1900 {
1901     return is_uni_xdigit(c);    /* XXX no locale support yet */
1902 }
1903
1904 U32
1905 Perl_to_uni_upper_lc(pTHX_ U32 c)
1906 {
1907     /* XXX returns only the first character -- do not use XXX */
1908     /* XXX no locale support yet */
1909     STRLEN len;
1910     U8 tmpbuf[UTF8_MAXBYTES_CASE+1];
1911     return (U32)to_uni_upper(c, tmpbuf, &len);
1912 }
1913
1914 U32
1915 Perl_to_uni_title_lc(pTHX_ U32 c)
1916 {
1917     /* XXX returns only the first character XXX -- do not use XXX */
1918     /* XXX no locale support yet */
1919     STRLEN len;
1920     U8 tmpbuf[UTF8_MAXBYTES_CASE+1];
1921     return (U32)to_uni_title(c, tmpbuf, &len);
1922 }
1923
1924 U32
1925 Perl_to_uni_lower_lc(pTHX_ U32 c)
1926 {
1927     /* XXX returns only the first character -- do not use XXX */
1928     /* XXX no locale support yet */
1929     STRLEN len;
1930     U8 tmpbuf[UTF8_MAXBYTES_CASE+1];
1931     return (U32)to_uni_lower(c, tmpbuf, &len);
1932 }
1933
1934 static bool
1935 S_is_utf8_common(pTHX_ const U8 *const p, SV **swash,
1936                  const char *const swashname)
1937 {
1938     /* returns a boolean giving whether or not the UTF8-encoded character that
1939      * starts at <p> is in the swash indicated by <swashname>.  <swash>
1940      * contains a pointer to where the swash indicated by <swashname>
1941      * is to be stored; which this routine will do, so that future calls will
1942      * look at <*swash> and only generate a swash if it is not null
1943      *
1944      * Note that it is assumed that the buffer length of <p> is enough to
1945      * contain all the bytes that comprise the character.  Thus, <*p> should
1946      * have been checked before this call for mal-formedness enough to assure
1947      * that. */
1948
1949     dVAR;
1950
1951     PERL_ARGS_ASSERT_IS_UTF8_COMMON;
1952
1953     /* The API should have included a length for the UTF-8 character in <p>,
1954      * but it doesn't.  We therefor assume that p has been validated at least
1955      * as far as there being enough bytes available in it to accommodate the
1956      * character without reading beyond the end, and pass that number on to the
1957      * validating routine */
1958     if (!is_utf8_char_buf(p, p + UTF8SKIP(p)))
1959         return FALSE;
1960     if (!*swash) {
1961         U8 flags = _CORE_SWASH_INIT_ACCEPT_INVLIST;
1962         *swash = _core_swash_init("utf8", swashname, &PL_sv_undef, 1, 0, NULL, &flags);
1963     }
1964     return swash_fetch(*swash, p, TRUE) != 0;
1965 }
1966
1967 bool
1968 Perl_is_utf8_alnum(pTHX_ const U8 *p)
1969 {
1970     dVAR;
1971
1972     PERL_ARGS_ASSERT_IS_UTF8_ALNUM;
1973
1974     /* NOTE: "IsWord", not "IsAlnum", since Alnum is a true
1975      * descendant of isalnum(3), in other words, it doesn't
1976      * contain the '_'. --jhi */
1977     return is_utf8_common(p, &PL_utf8_alnum, "IsWord");
1978 }
1979
1980 bool
1981 Perl_is_utf8_idfirst(pTHX_ const U8 *p) /* The naming is historical. */
1982 {
1983     dVAR;
1984
1985     PERL_ARGS_ASSERT_IS_UTF8_IDFIRST;
1986
1987     if (*p == '_')
1988         return TRUE;
1989     /* is_utf8_idstart would be more logical. */
1990     return is_utf8_common(p, &PL_utf8_idstart, "IdStart");
1991 }
1992
1993 bool
1994 Perl_is_utf8_xidfirst(pTHX_ const U8 *p) /* The naming is historical. */
1995 {
1996     dVAR;
1997
1998     PERL_ARGS_ASSERT_IS_UTF8_XIDFIRST;
1999
2000     if (*p == '_')
2001         return TRUE;
2002     /* is_utf8_idstart would be more logical. */
2003     return is_utf8_common(p, &PL_utf8_xidstart, "XIdStart");
2004 }
2005
2006 bool
2007 Perl__is_utf8__perl_idstart(pTHX_ const U8 *p)
2008 {
2009     dVAR;
2010
2011     PERL_ARGS_ASSERT__IS_UTF8__PERL_IDSTART;
2012
2013     return is_utf8_common(p, &PL_utf8_perl_idstart, "_Perl_IDStart");
2014 }
2015
2016 bool
2017 Perl_is_utf8_idcont(pTHX_ const U8 *p)
2018 {
2019     dVAR;
2020
2021     PERL_ARGS_ASSERT_IS_UTF8_IDCONT;
2022
2023     return is_utf8_common(p, &PL_utf8_idcont, "IdContinue");
2024 }
2025
2026 bool
2027 Perl_is_utf8_xidcont(pTHX_ const U8 *p)
2028 {
2029     dVAR;
2030
2031     PERL_ARGS_ASSERT_IS_UTF8_XIDCONT;
2032
2033     return is_utf8_common(p, &PL_utf8_idcont, "XIdContinue");
2034 }
2035
2036 bool
2037 Perl_is_utf8_alpha(pTHX_ const U8 *p)
2038 {
2039     dVAR;
2040
2041     PERL_ARGS_ASSERT_IS_UTF8_ALPHA;
2042
2043     return is_utf8_common(p, &PL_utf8_alpha, "IsAlpha");
2044 }
2045
2046 bool
2047 Perl_is_utf8_ascii(pTHX_ const U8 *p)
2048 {
2049     dVAR;
2050
2051     PERL_ARGS_ASSERT_IS_UTF8_ASCII;
2052
2053     /* ASCII characters are the same whether in utf8 or not.  So the macro
2054      * works on both utf8 and non-utf8 representations. */
2055     return isASCII(*p);
2056 }
2057
2058 bool
2059 Perl_is_utf8_blank(pTHX_ const U8 *p)
2060 {
2061     dVAR;
2062
2063     PERL_ARGS_ASSERT_IS_UTF8_BLANK;
2064
2065     return is_utf8_common(p, &PL_utf8_blank, "XPosixBlank");
2066 }
2067
2068 bool
2069 Perl_is_utf8_space(pTHX_ const U8 *p)
2070 {
2071     dVAR;
2072
2073     PERL_ARGS_ASSERT_IS_UTF8_SPACE;
2074
2075     return is_utf8_common(p, &PL_utf8_space, "IsXPerlSpace");
2076 }
2077
2078 bool
2079 Perl_is_utf8_perl_space(pTHX_ const U8 *p)
2080 {
2081     dVAR;
2082
2083     PERL_ARGS_ASSERT_IS_UTF8_PERL_SPACE;
2084
2085     /* Only true if is an ASCII space-like character, and ASCII is invariant
2086      * under utf8, so can just use the macro */
2087     return isSPACE_A(*p);
2088 }
2089
2090 bool
2091 Perl_is_utf8_perl_word(pTHX_ const U8 *p)
2092 {
2093     dVAR;
2094
2095     PERL_ARGS_ASSERT_IS_UTF8_PERL_WORD;
2096
2097     /* Only true if is an ASCII word character, and ASCII is invariant
2098      * under utf8, so can just use the macro */
2099     return isWORDCHAR_A(*p);
2100 }
2101
2102 bool
2103 Perl_is_utf8_digit(pTHX_ const U8 *p)
2104 {
2105     dVAR;
2106
2107     PERL_ARGS_ASSERT_IS_UTF8_DIGIT;
2108
2109     return is_utf8_common(p, &PL_utf8_digit, "IsDigit");
2110 }
2111
2112 bool
2113 Perl_is_utf8_posix_digit(pTHX_ const U8 *p)
2114 {
2115     dVAR;
2116
2117     PERL_ARGS_ASSERT_IS_UTF8_POSIX_DIGIT;
2118
2119     /* Only true if is an ASCII digit character, and ASCII is invariant
2120      * under utf8, so can just use the macro */
2121     return isDIGIT_A(*p);
2122 }
2123
2124 bool
2125 Perl_is_utf8_upper(pTHX_ const U8 *p)
2126 {
2127     dVAR;
2128
2129     PERL_ARGS_ASSERT_IS_UTF8_UPPER;
2130
2131     return is_utf8_common(p, &PL_utf8_upper, "IsUppercase");
2132 }
2133
2134 bool
2135 Perl_is_utf8_lower(pTHX_ const U8 *p)
2136 {
2137     dVAR;
2138
2139     PERL_ARGS_ASSERT_IS_UTF8_LOWER;
2140
2141     return is_utf8_common(p, &PL_utf8_lower, "IsLowercase");
2142 }
2143
2144 bool
2145 Perl_is_utf8_cntrl(pTHX_ const U8 *p)
2146 {
2147     dVAR;
2148
2149     PERL_ARGS_ASSERT_IS_UTF8_CNTRL;
2150
2151     if (isASCII(*p)) {
2152         return isCNTRL_A(*p);
2153     }
2154
2155     /* All controls are in Latin1 */
2156     if (! UTF8_IS_DOWNGRADEABLE_START(*p)) {
2157         return 0;
2158     }
2159     return isCNTRL_L1(TWO_BYTE_UTF8_TO_UNI(*p, *(p+1)));
2160 }
2161
2162 bool
2163 Perl_is_utf8_graph(pTHX_ const U8 *p)
2164 {
2165     dVAR;
2166
2167     PERL_ARGS_ASSERT_IS_UTF8_GRAPH;
2168
2169     return is_utf8_common(p, &PL_utf8_graph, "IsGraph");
2170 }
2171
2172 bool
2173 Perl_is_utf8_print(pTHX_ const U8 *p)
2174 {
2175     dVAR;
2176
2177     PERL_ARGS_ASSERT_IS_UTF8_PRINT;
2178
2179     return is_utf8_common(p, &PL_utf8_print, "IsPrint");
2180 }
2181
2182 bool
2183 Perl_is_utf8_punct(pTHX_ const U8 *p)
2184 {
2185     dVAR;
2186
2187     PERL_ARGS_ASSERT_IS_UTF8_PUNCT;
2188
2189     return is_utf8_common(p, &PL_utf8_punct, "IsPunct");
2190 }
2191
2192 bool
2193 Perl_is_utf8_xdigit(pTHX_ const U8 *p)
2194 {
2195     dVAR;
2196
2197     PERL_ARGS_ASSERT_IS_UTF8_XDIGIT;
2198
2199     return is_utf8_common(p, &PL_utf8_xdigit, "IsXDigit");
2200 }
2201
2202 bool
2203 Perl_is_utf8_mark(pTHX_ const U8 *p)
2204 {
2205     dVAR;
2206
2207     PERL_ARGS_ASSERT_IS_UTF8_MARK;
2208
2209     return is_utf8_common(p, &PL_utf8_mark, "IsM");
2210 }
2211
2212 bool
2213 Perl_is_utf8_X_regular_begin(pTHX_ const U8 *p)
2214 {
2215     dVAR;
2216
2217     PERL_ARGS_ASSERT_IS_UTF8_X_REGULAR_BEGIN;
2218
2219     return is_utf8_common(p, &PL_utf8_X_regular_begin, "_X_Regular_Begin");
2220 }
2221
2222 bool
2223 Perl_is_utf8_X_extend(pTHX_ const U8 *p)
2224 {
2225     dVAR;
2226
2227     PERL_ARGS_ASSERT_IS_UTF8_X_EXTEND;
2228
2229     return is_utf8_common(p, &PL_utf8_X_extend, "_X_Extend");
2230 }
2231
2232 bool
2233 Perl_is_utf8_X_prepend(pTHX_ const U8 *p)
2234 {
2235     /* If no code points in the Unicode version being worked on match
2236      * GCB=Prepend, this will set PL_utf8_X_prepend to &PL_sv_undef during its
2237      * first call.  Otherwise, it will set it to a swash created for it.
2238      * swash_fetch() hence can't be used without checking first if it is valid
2239      * to do so. */
2240
2241     dVAR;
2242     bool initialized = cBOOL(PL_utf8_X_prepend);
2243     bool ret;
2244
2245     PERL_ARGS_ASSERT_IS_UTF8_X_PREPEND;
2246
2247     if (PL_utf8_X_prepend == &PL_sv_undef) {
2248         return FALSE;
2249     }
2250
2251     if ((ret = is_utf8_common(p, &PL_utf8_X_prepend, "_X_GCB_Prepend"))
2252         || initialized)
2253     {
2254         return ret;
2255     }
2256
2257     /* Here the code point being checked was not a prepend, and we hadn't
2258      * initialized PL_utf8_X_prepend, so we don't know if it is just this
2259      * particular input code point that didn't match, or if the table is
2260      * completely empty. The is_utf8_common() call did the initialization, so
2261      * we can inspect the swash's inversion list to find out.  If there are no
2262      * elements in its inversion list, it's empty, and nothing will ever match,
2263      * so set things up so we can skip the check in future calls. */
2264     if (_invlist_len(_get_swash_invlist(PL_utf8_X_prepend)) == 0) {
2265         SvREFCNT_dec(PL_utf8_X_prepend);
2266         PL_utf8_X_prepend = &PL_sv_undef;
2267     }
2268
2269     return FALSE;
2270 }
2271
2272 bool
2273 Perl_is_utf8_X_special_begin(pTHX_ const U8 *p)
2274 {
2275     dVAR;
2276
2277     PERL_ARGS_ASSERT_IS_UTF8_X_SPECIAL_BEGIN;
2278
2279     return is_utf8_common(p, &PL_utf8_X_special_begin, "_X_Special_Begin");
2280 }
2281
2282 bool
2283 Perl_is_utf8_X_L(pTHX_ const U8 *p)
2284 {
2285     dVAR;
2286
2287     PERL_ARGS_ASSERT_IS_UTF8_X_L;
2288
2289     return is_utf8_common(p, &PL_utf8_X_L, "_X_GCB_L");
2290 }
2291
2292 bool
2293 Perl_is_utf8_X_RI(pTHX_ const U8 *p)
2294 {
2295     dVAR;
2296
2297     PERL_ARGS_ASSERT_IS_UTF8_X_RI;
2298
2299     return is_utf8_common(p, &PL_utf8_X_RI, "_X_RI");
2300 }
2301
2302 /* These constants are for finding GCB=LV and GCB=LVT.  These are for the
2303  * pre-composed Hangul syllables, which are all in a contiguous block and
2304  * arranged there in such a way so as to facilitate alorithmic determination of
2305  * their characteristics.  As such, they don't need a swash, but can be
2306  * determined by simple arithmetic.  Almost all are GCB=LVT, but every 28th one
2307  * is a GCB=LV */
2308 #define SBASE 0xAC00    /* Start of block */
2309 #define SCount 11172    /* Length of block */
2310 #define TCount 28
2311
2312 #if 0   /* This routine is not currently used */
2313 bool
2314 Perl_is_utf8_X_LV(pTHX_ const U8 *p)
2315 {
2316     /* Unlike most other similarly named routines here, this does not create a
2317      * swash, so swash_fetch() cannot be used on PL_utf8_X_LV. */
2318
2319     dVAR;
2320
2321     UV cp = valid_utf8_to_uvchr(p, NULL);
2322
2323     PERL_ARGS_ASSERT_IS_UTF8_X_LV;
2324
2325     /* The earliest Unicode releases did not have these precomposed Hangul
2326      * syllables.  Set to point to undef in that case, so will return false on
2327      * every call */
2328     if (! PL_utf8_X_LV) {   /* Set up if this is the first time called */
2329         PL_utf8_X_LV = swash_init("utf8", "_X_GCB_LV", &PL_sv_undef, 1, 0);
2330         if (_invlist_len(_get_swash_invlist(PL_utf8_X_LV)) == 0) {
2331             SvREFCNT_dec(PL_utf8_X_LV);
2332             PL_utf8_X_LV = &PL_sv_undef;
2333         }
2334     }
2335
2336     return (PL_utf8_X_LV != &PL_sv_undef
2337             && cp >= SBASE && cp < SBASE + SCount
2338             && (cp - SBASE) % TCount == 0); /* Only every TCount one is LV */
2339 }
2340 #endif
2341
2342 bool
2343 Perl_is_utf8_X_LVT(pTHX_ const U8 *p)
2344 {
2345     /* Unlike most other similarly named routines here, this does not create a
2346      * swash, so swash_fetch() cannot be used on PL_utf8_X_LVT. */
2347
2348     dVAR;
2349
2350     UV cp = valid_utf8_to_uvchr(p, NULL);
2351
2352     PERL_ARGS_ASSERT_IS_UTF8_X_LVT;
2353
2354     /* The earliest Unicode releases did not have these precomposed Hangul
2355      * syllables.  Set to point to undef in that case, so will return false on
2356      * every call */
2357     if (! PL_utf8_X_LVT) {   /* Set up if this is the first time called */
2358         PL_utf8_X_LVT = swash_init("utf8", "_X_GCB_LVT", &PL_sv_undef, 1, 0);
2359         if (_invlist_len(_get_swash_invlist(PL_utf8_X_LVT)) == 0) {
2360             SvREFCNT_dec(PL_utf8_X_LVT);
2361             PL_utf8_X_LVT = &PL_sv_undef;
2362         }
2363     }
2364
2365     return (PL_utf8_X_LVT != &PL_sv_undef
2366             && cp >= SBASE && cp < SBASE + SCount
2367             && (cp - SBASE) % TCount != 0); /* All but every TCount one is LV */
2368 }
2369
2370 bool
2371 Perl_is_utf8_X_T(pTHX_ const U8 *p)
2372 {
2373     dVAR;
2374
2375     PERL_ARGS_ASSERT_IS_UTF8_X_T;
2376
2377     return is_utf8_common(p, &PL_utf8_X_T, "_X_GCB_T");
2378 }
2379
2380 bool
2381 Perl_is_utf8_X_V(pTHX_ const U8 *p)
2382 {
2383     dVAR;
2384
2385     PERL_ARGS_ASSERT_IS_UTF8_X_V;
2386
2387     return is_utf8_common(p, &PL_utf8_X_V, "_X_GCB_V");
2388 }
2389
2390 bool
2391 Perl_is_utf8_X_LV_LVT_V(pTHX_ const U8 *p)
2392 {
2393     dVAR;
2394
2395     PERL_ARGS_ASSERT_IS_UTF8_X_LV_LVT_V;
2396
2397     return is_utf8_common(p, &PL_utf8_X_LV_LVT_V, "_X_LV_LVT_V");
2398 }
2399
2400 bool
2401 Perl__is_utf8_quotemeta(pTHX_ const U8 *p)
2402 {
2403     /* For exclusive use of pp_quotemeta() */
2404
2405     dVAR;
2406
2407     PERL_ARGS_ASSERT__IS_UTF8_QUOTEMETA;
2408
2409     return is_utf8_common(p, &PL_utf8_quotemeta, "_Perl_Quotemeta");
2410 }
2411
2412 /*
2413 =for apidoc to_utf8_case
2414
2415 The C<p> contains the pointer to the UTF-8 string encoding
2416 the character that is being converted.  This routine assumes that the character
2417 at C<p> is well-formed.
2418
2419 The C<ustrp> is a pointer to the character buffer to put the
2420 conversion result to.  The C<lenp> is a pointer to the length
2421 of the result.
2422
2423 The C<swashp> is a pointer to the swash to use.
2424
2425 Both the special and normal mappings are stored in F<lib/unicore/To/Foo.pl>,
2426 and loaded by SWASHNEW, using F<lib/utf8_heavy.pl>.  The C<special> (usually,
2427 but not always, a multicharacter mapping), is tried first.
2428
2429 The C<special> is a string like "utf8::ToSpecLower", which means the
2430 hash %utf8::ToSpecLower.  The access to the hash is through
2431 Perl_to_utf8_case().
2432
2433 The C<normal> is a string like "ToLower" which means the swash
2434 %utf8::ToLower.
2435
2436 =cut */
2437
2438 UV
2439 Perl_to_utf8_case(pTHX_ const U8 *p, U8* ustrp, STRLEN *lenp,
2440                         SV **swashp, const char *normal, const char *special)
2441 {
2442     dVAR;
2443     U8 tmpbuf[UTF8_MAXBYTES_CASE+1];
2444     STRLEN len = 0;
2445     const UV uv0 = valid_utf8_to_uvchr(p, NULL);
2446     /* The NATIVE_TO_UNI() and UNI_TO_NATIVE() mappings
2447      * are necessary in EBCDIC, they are redundant no-ops
2448      * in ASCII-ish platforms, and hopefully optimized away. */
2449     const UV uv1 = NATIVE_TO_UNI(uv0);
2450
2451     PERL_ARGS_ASSERT_TO_UTF8_CASE;
2452
2453     /* Note that swash_fetch() doesn't output warnings for these because it
2454      * assumes we will */
2455     if (uv1 >= UNICODE_SURROGATE_FIRST) {
2456         if (uv1 <= UNICODE_SURROGATE_LAST) {
2457             if (ckWARN_d(WARN_SURROGATE)) {
2458                 const char* desc = (PL_op) ? OP_DESC(PL_op) : normal;
2459                 Perl_warner(aTHX_ packWARN(WARN_SURROGATE),
2460                     "Operation \"%s\" returns its argument for UTF-16 surrogate U+%04"UVXf"", desc, uv1);
2461             }
2462         }
2463         else if (UNICODE_IS_SUPER(uv1)) {
2464             if (ckWARN_d(WARN_NON_UNICODE)) {
2465                 const char* desc = (PL_op) ? OP_DESC(PL_op) : normal;
2466                 Perl_warner(aTHX_ packWARN(WARN_NON_UNICODE),
2467                     "Operation \"%s\" returns its argument for non-Unicode code point 0x%04"UVXf"", desc, uv1);
2468             }
2469         }
2470
2471         /* Note that non-characters are perfectly legal, so no warning should
2472          * be given */
2473     }
2474
2475     uvuni_to_utf8(tmpbuf, uv1);
2476
2477     if (!*swashp) /* load on-demand */
2478          *swashp = _core_swash_init("utf8", normal, &PL_sv_undef, 4, 0, NULL, NULL);
2479
2480     if (special) {
2481          /* It might be "special" (sometimes, but not always,
2482           * a multicharacter mapping) */
2483          HV * const hv = get_hv(special, 0);
2484          SV **svp;
2485
2486          if (hv &&
2487              (svp = hv_fetch(hv, (const char*)tmpbuf, UNISKIP(uv1), FALSE)) &&
2488              (*svp)) {
2489              const char *s;
2490
2491               s = SvPV_const(*svp, len);
2492               if (len == 1)
2493                    len = uvuni_to_utf8(ustrp, NATIVE_TO_UNI(*(U8*)s)) - ustrp;
2494               else {
2495 #ifdef EBCDIC
2496                    /* If we have EBCDIC we need to remap the characters
2497                     * since any characters in the low 256 are Unicode
2498                     * code points, not EBCDIC. */
2499                    U8 *t = (U8*)s, *tend = t + len, *d;
2500                 
2501                    d = tmpbuf;
2502                    if (SvUTF8(*svp)) {
2503                         STRLEN tlen = 0;
2504                         
2505                         while (t < tend) {
2506                              const UV c = utf8_to_uvchr_buf(t, tend, &tlen);
2507                              if (tlen > 0) {
2508                                   d = uvchr_to_utf8(d, UNI_TO_NATIVE(c));
2509                                   t += tlen;
2510                              }
2511                              else
2512                                   break;
2513                         }
2514                    }
2515                    else {
2516                         while (t < tend) {
2517                              d = uvchr_to_utf8(d, UNI_TO_NATIVE(*t));
2518                              t++;
2519                         }
2520                    }
2521                    len = d - tmpbuf;
2522                    Copy(tmpbuf, ustrp, len, U8);
2523 #else
2524                    Copy(s, ustrp, len, U8);
2525 #endif
2526               }
2527          }
2528     }
2529
2530     if (!len && *swashp) {
2531         const UV uv2 = swash_fetch(*swashp, tmpbuf, TRUE /* => is utf8 */);
2532
2533          if (uv2) {
2534               /* It was "normal" (a single character mapping). */
2535               const UV uv3 = UNI_TO_NATIVE(uv2);
2536               len = uvchr_to_utf8(ustrp, uv3) - ustrp;
2537          }
2538     }
2539
2540     if (len) {
2541         if (lenp) {
2542             *lenp = len;
2543         }
2544         return valid_utf8_to_uvchr(ustrp, 0);
2545     }
2546
2547     /* Here, there was no mapping defined, which means that the code point maps
2548      * to itself.  Return the inputs */
2549     len = UTF8SKIP(p);
2550     Copy(p, ustrp, len, U8);
2551
2552     if (lenp)
2553          *lenp = len;
2554
2555     return uv0;
2556
2557 }
2558
2559 STATIC UV
2560 S_check_locale_boundary_crossing(pTHX_ const U8* const p, const UV result, U8* const ustrp, STRLEN *lenp)
2561 {
2562     /* This is called when changing the case of a utf8-encoded character above
2563      * the Latin1 range, and the operation is in locale.  If the result
2564      * contains a character that crosses the 255/256 boundary, disallow the
2565      * change, and return the original code point.  See L<perlfunc/lc> for why;
2566      *
2567      * p        points to the original string whose case was changed; assumed
2568      *          by this routine to be well-formed
2569      * result   the code point of the first character in the changed-case string
2570      * ustrp    points to the changed-case string (<result> represents its first char)
2571      * lenp     points to the length of <ustrp> */
2572
2573     UV original;    /* To store the first code point of <p> */
2574
2575     PERL_ARGS_ASSERT_CHECK_LOCALE_BOUNDARY_CROSSING;
2576
2577     assert(! UTF8_IS_INVARIANT(*p) && ! UTF8_IS_DOWNGRADEABLE_START(*p));
2578
2579     /* We know immediately if the first character in the string crosses the
2580      * boundary, so can skip */
2581     if (result > 255) {
2582
2583         /* Look at every character in the result; if any cross the
2584         * boundary, the whole thing is disallowed */
2585         U8* s = ustrp + UTF8SKIP(ustrp);
2586         U8* e = ustrp + *lenp;
2587         while (s < e) {
2588             if (UTF8_IS_INVARIANT(*s) || UTF8_IS_DOWNGRADEABLE_START(*s))
2589             {
2590                 goto bad_crossing;
2591             }
2592             s += UTF8SKIP(s);
2593         }
2594
2595         /* Here, no characters crossed, result is ok as-is */
2596         return result;
2597     }
2598
2599 bad_crossing:
2600
2601     /* Failed, have to return the original */
2602     original = valid_utf8_to_uvchr(p, lenp);
2603     Copy(p, ustrp, *lenp, char);
2604     return original;
2605 }
2606
2607 /*
2608 =for apidoc to_utf8_upper
2609
2610 Convert the UTF-8 encoded character at C<p> to its uppercase version and
2611 store that in UTF-8 in C<ustrp> and its length in bytes in C<lenp>.  Note
2612 that the ustrp needs to be at least UTF8_MAXBYTES_CASE+1 bytes since
2613 the uppercase version may be longer than the original character.
2614
2615 The first character of the uppercased version is returned
2616 (but note, as explained above, that there may be more.)
2617
2618 The character at C<p> is assumed by this routine to be well-formed.
2619
2620 =cut */
2621
2622 /* Not currently externally documented, and subject to change:
2623  * <flags> is set iff locale semantics are to be used for code points < 256
2624  * <tainted_ptr> if non-null, *tainted_ptr will be set TRUE iff locale rules
2625  *               were used in the calculation; otherwise unchanged. */
2626
2627 UV
2628 Perl__to_utf8_upper_flags(pTHX_ const U8 *p, U8* ustrp, STRLEN *lenp, const bool flags, bool* tainted_ptr)
2629 {
2630     dVAR;
2631
2632     UV result;
2633
2634     PERL_ARGS_ASSERT__TO_UTF8_UPPER_FLAGS;
2635
2636     if (UTF8_IS_INVARIANT(*p)) {
2637         if (flags) {
2638             result = toUPPER_LC(*p);
2639         }
2640         else {
2641             return _to_upper_title_latin1(*p, ustrp, lenp, 'S');
2642         }
2643     }
2644     else if UTF8_IS_DOWNGRADEABLE_START(*p) {
2645         if (flags) {
2646             result = toUPPER_LC(TWO_BYTE_UTF8_TO_UNI(*p, *(p+1)));
2647         }
2648         else {
2649             return _to_upper_title_latin1(TWO_BYTE_UTF8_TO_UNI(*p, *(p+1)),
2650                                           ustrp, lenp, 'S');
2651         }
2652     }
2653     else {  /* utf8, ord above 255 */
2654         result = CALL_UPPER_CASE(p, ustrp, lenp);
2655
2656         if (flags) {
2657             result = check_locale_boundary_crossing(p, result, ustrp, lenp);
2658         }
2659         return result;
2660     }
2661
2662     /* Here, used locale rules.  Convert back to utf8 */
2663     if (UTF8_IS_INVARIANT(result)) {
2664         *ustrp = (U8) result;
2665         *lenp = 1;
2666     }
2667     else {
2668         *ustrp = UTF8_EIGHT_BIT_HI(result);
2669         *(ustrp + 1) = UTF8_EIGHT_BIT_LO(result);
2670         *lenp = 2;
2671     }
2672
2673     if (tainted_ptr) {
2674         *tainted_ptr = TRUE;
2675     }
2676     return result;
2677 }
2678
2679 /*
2680 =for apidoc to_utf8_title
2681
2682 Convert the UTF-8 encoded character at C<p> to its titlecase version and
2683 store that in UTF-8 in C<ustrp> and its length in bytes in C<lenp>.  Note
2684 that the C<ustrp> needs to be at least UTF8_MAXBYTES_CASE+1 bytes since the
2685 titlecase version may be longer than the original character.
2686
2687 The first character of the titlecased version is returned
2688 (but note, as explained above, that there may be more.)
2689
2690 The character at C<p> is assumed by this routine to be well-formed.
2691
2692 =cut */
2693
2694 /* Not currently externally documented, and subject to change:
2695  * <flags> is set iff locale semantics are to be used for code points < 256
2696  *         Since titlecase is not defined in POSIX, uppercase is used instead
2697  *         for these/
2698  * <tainted_ptr> if non-null, *tainted_ptr will be set TRUE iff locale rules
2699  *               were used in the calculation; otherwise unchanged. */
2700
2701 UV
2702 Perl__to_utf8_title_flags(pTHX_ const U8 *p, U8* ustrp, STRLEN *lenp, const bool flags, bool* tainted_ptr)
2703 {
2704     dVAR;
2705
2706     UV result;
2707
2708     PERL_ARGS_ASSERT__TO_UTF8_TITLE_FLAGS;
2709
2710     if (UTF8_IS_INVARIANT(*p)) {
2711         if (flags) {
2712             result = toUPPER_LC(*p);
2713         }
2714         else {
2715             return _to_upper_title_latin1(*p, ustrp, lenp, 's');
2716         }
2717     }
2718     else if UTF8_IS_DOWNGRADEABLE_START(*p) {
2719         if (flags) {
2720             result = toUPPER_LC(TWO_BYTE_UTF8_TO_UNI(*p, *(p+1)));
2721         }
2722         else {
2723             return _to_upper_title_latin1(TWO_BYTE_UTF8_TO_UNI(*p, *(p+1)),
2724                                           ustrp, lenp, 's');
2725         }
2726     }
2727     else {  /* utf8, ord above 255 */
2728         result = CALL_TITLE_CASE(p, ustrp, lenp);
2729
2730         if (flags) {
2731             result = check_locale_boundary_crossing(p, result, ustrp, lenp);
2732         }
2733         return result;
2734     }
2735
2736     /* Here, used locale rules.  Convert back to utf8 */
2737     if (UTF8_IS_INVARIANT(result)) {
2738         *ustrp = (U8) result;
2739         *lenp = 1;
2740     }
2741     else {
2742         *ustrp = UTF8_EIGHT_BIT_HI(result);
2743         *(ustrp + 1) = UTF8_EIGHT_BIT_LO(result);
2744         *lenp = 2;
2745     }
2746
2747     if (tainted_ptr) {
2748         *tainted_ptr = TRUE;
2749     }
2750     return result;
2751 }
2752
2753 /*
2754 =for apidoc to_utf8_lower
2755
2756 Convert the UTF-8 encoded character at C<p> to its lowercase version and
2757 store that in UTF-8 in ustrp and its length in bytes in C<lenp>.  Note
2758 that the C<ustrp> needs to be at least UTF8_MAXBYTES_CASE+1 bytes since the
2759 lowercase version may be longer than the original character.
2760
2761 The first character of the lowercased version is returned
2762 (but note, as explained above, that there may be more.)
2763
2764 The character at C<p> is assumed by this routine to be well-formed.
2765
2766 =cut */
2767
2768 /* Not currently externally documented, and subject to change:
2769  * <flags> is set iff locale semantics are to be used for code points < 256
2770  * <tainted_ptr> if non-null, *tainted_ptr will be set TRUE iff locale rules
2771  *               were used in the calculation; otherwise unchanged. */
2772
2773 UV
2774 Perl__to_utf8_lower_flags(pTHX_ const U8 *p, U8* ustrp, STRLEN *lenp, const bool flags, bool* tainted_ptr)
2775 {
2776     UV result;
2777
2778     dVAR;
2779
2780     PERL_ARGS_ASSERT__TO_UTF8_LOWER_FLAGS;
2781
2782     if (UTF8_IS_INVARIANT(*p)) {
2783         if (flags) {
2784             result = toLOWER_LC(*p);
2785         }
2786         else {
2787             return to_lower_latin1(*p, ustrp, lenp);
2788         }
2789     }
2790     else if UTF8_IS_DOWNGRADEABLE_START(*p) {
2791         if (flags) {
2792             result = toLOWER_LC(TWO_BYTE_UTF8_TO_UNI(*p, *(p+1)));
2793         }
2794         else {
2795             return to_lower_latin1(TWO_BYTE_UTF8_TO_UNI(*p, *(p+1)),
2796                                    ustrp, lenp);
2797         }
2798     }
2799     else {  /* utf8, ord above 255 */
2800         result = CALL_LOWER_CASE(p, ustrp, lenp);
2801
2802         if (flags) {
2803             result = check_locale_boundary_crossing(p, result, ustrp, lenp);
2804         }
2805
2806         return result;
2807     }
2808
2809     /* Here, used locale rules.  Convert back to utf8 */
2810     if (UTF8_IS_INVARIANT(result)) {
2811         *ustrp = (U8) result;
2812         *lenp = 1;
2813     }
2814     else {
2815         *ustrp = UTF8_EIGHT_BIT_HI(result);
2816         *(ustrp + 1) = UTF8_EIGHT_BIT_LO(result);
2817         *lenp = 2;
2818     }
2819
2820     if (tainted_ptr) {
2821         *tainted_ptr = TRUE;
2822     }
2823     return result;
2824 }
2825
2826 /*
2827 =for apidoc to_utf8_fold
2828
2829 Convert the UTF-8 encoded character at C<p> to its foldcase version and
2830 store that in UTF-8 in C<ustrp> and its length in bytes in C<lenp>.  Note
2831 that the C<ustrp> needs to be at least UTF8_MAXBYTES_CASE+1 bytes since the
2832 foldcase version may be longer than the original character (up to
2833 three characters).
2834
2835 The first character of the foldcased version is returned
2836 (but note, as explained above, that there may be more.)
2837
2838 The character at C<p> is assumed by this routine to be well-formed.
2839
2840 =cut */
2841
2842 /* Not currently externally documented, and subject to change,
2843  * in <flags>
2844  *      bit FOLD_FLAGS_LOCALE is set iff locale semantics are to be used for code
2845  *                            points < 256.  Since foldcase is not defined in
2846  *                            POSIX, lowercase is used instead
2847  *      bit FOLD_FLAGS_FULL   is set iff full case folds are to be used;
2848  *                            otherwise simple folds
2849  *      bit FOLD_FLAGS_NOMIX_ASCII is set iff folds of non-ASCII to ASCII are
2850  *                            prohibited
2851  * <tainted_ptr> if non-null, *tainted_ptr will be set TRUE iff locale rules
2852  *               were used in the calculation; otherwise unchanged. */
2853
2854 UV
2855 Perl__to_utf8_fold_flags(pTHX_ const U8 *p, U8* ustrp, STRLEN *lenp, U8 flags, bool* tainted_ptr)
2856 {
2857     dVAR;
2858
2859     UV result;
2860
2861     PERL_ARGS_ASSERT__TO_UTF8_FOLD_FLAGS;
2862
2863     /* These are mutually exclusive */
2864     assert (! ((flags & FOLD_FLAGS_LOCALE) && (flags & FOLD_FLAGS_NOMIX_ASCII)));
2865
2866     assert(p != ustrp); /* Otherwise overwrites */
2867
2868     if (UTF8_IS_INVARIANT(*p)) {
2869         if (flags & FOLD_FLAGS_LOCALE) {
2870             result = toLOWER_LC(*p);
2871         }
2872         else {
2873             return _to_fold_latin1(*p, ustrp, lenp,
2874                                    cBOOL(flags & FOLD_FLAGS_FULL));
2875         }
2876     }
2877     else if UTF8_IS_DOWNGRADEABLE_START(*p) {
2878         if (flags & FOLD_FLAGS_LOCALE) {
2879             result = toLOWER_LC(TWO_BYTE_UTF8_TO_UNI(*p, *(p+1)));
2880         }
2881         else {
2882             return _to_fold_latin1(TWO_BYTE_UTF8_TO_UNI(*p, *(p+1)),
2883                                    ustrp, lenp,
2884                                    cBOOL((flags & FOLD_FLAGS_FULL
2885                                        /* If ASCII safe, don't allow full
2886                                         * folding, as that could include SHARP
2887                                         * S => ss; otherwise there is no
2888                                         * crossing of ascii/non-ascii in the
2889                                         * latin1 range */
2890                                        && ! (flags & FOLD_FLAGS_NOMIX_ASCII))));
2891         }
2892     }
2893     else {  /* utf8, ord above 255 */
2894         result = CALL_FOLD_CASE(p, ustrp, lenp, flags & FOLD_FLAGS_FULL);
2895
2896         if ((flags & FOLD_FLAGS_LOCALE)) {
2897             return check_locale_boundary_crossing(p, result, ustrp, lenp);
2898         }
2899         else if (! (flags & FOLD_FLAGS_NOMIX_ASCII)) {
2900             return result;
2901         }
2902         else {
2903             /* This is called when changing the case of a utf8-encoded
2904              * character above the Latin1 range, and the result should not
2905              * contain an ASCII character. */
2906
2907             UV original;    /* To store the first code point of <p> */
2908
2909             /* Look at every character in the result; if any cross the
2910             * boundary, the whole thing is disallowed */
2911             U8* s = ustrp;
2912             U8* e = ustrp + *lenp;
2913             while (s < e) {
2914                 if (isASCII(*s)) {
2915                     /* Crossed, have to return the original */
2916                     original = valid_utf8_to_uvchr(p, lenp);
2917                     Copy(p, ustrp, *lenp, char);
2918                     return original;
2919                 }
2920                 s += UTF8SKIP(s);
2921             }
2922
2923             /* Here, no characters crossed, result is ok as-is */
2924             return result;
2925         }
2926     }
2927
2928     /* Here, used locale rules.  Convert back to utf8 */
2929     if (UTF8_IS_INVARIANT(result)) {
2930         *ustrp = (U8) result;
2931         *lenp = 1;
2932     }
2933     else {
2934         *ustrp = UTF8_EIGHT_BIT_HI(result);
2935         *(ustrp + 1) = UTF8_EIGHT_BIT_LO(result);
2936         *lenp = 2;
2937     }
2938
2939     if (tainted_ptr) {
2940         *tainted_ptr = TRUE;
2941     }
2942     return result;
2943 }
2944
2945 /* Note:
2946  * Returns a "swash" which is a hash described in utf8.c:Perl_swash_fetch().
2947  * C<pkg> is a pointer to a package name for SWASHNEW, should be "utf8".
2948  * For other parameters, see utf8::SWASHNEW in lib/utf8_heavy.pl.
2949  */
2950
2951 SV*
2952 Perl_swash_init(pTHX_ const char* pkg, const char* name, SV *listsv, I32 minbits, I32 none)
2953 {
2954     PERL_ARGS_ASSERT_SWASH_INIT;
2955
2956     /* Returns a copy of a swash initiated by the called function.  This is the
2957      * public interface, and returning a copy prevents others from doing
2958      * mischief on the original */
2959
2960     return newSVsv(_core_swash_init(pkg, name, listsv, minbits, none, NULL, NULL));
2961 }
2962
2963 SV*
2964 Perl__core_swash_init(pTHX_ const char* pkg, const char* name, SV *listsv, I32 minbits, I32 none, SV* invlist, U8* const flags_p)
2965 {
2966     /* Initialize and return a swash, creating it if necessary.  It does this
2967      * by calling utf8_heavy.pl in the general case.  The returned value may be
2968      * the swash's inversion list instead if the input parameters allow it.
2969      * Which is returned should be immaterial to callers, as the only
2970      * operations permitted on a swash, swash_fetch() and
2971      * _get_swash_invlist(), handle both these transparently.
2972      *
2973      * This interface should only be used by functions that won't destroy or
2974      * adversely change the swash, as doing so affects all other uses of the
2975      * swash in the program; the general public should use 'Perl_swash_init'
2976      * instead.
2977      *
2978      * pkg  is the name of the package that <name> should be in.
2979      * name is the name of the swash to find.  Typically it is a Unicode
2980      *      property name, including user-defined ones
2981      * listsv is a string to initialize the swash with.  It must be of the form
2982      *      documented as the subroutine return value in
2983      *      L<perlunicode/User-Defined Character Properties>
2984      * minbits is the number of bits required to represent each data element.
2985      *      It is '1' for binary properties.
2986      * none I (khw) do not understand this one, but it is used only in tr///.
2987      * invlist is an inversion list to initialize the swash with (or NULL)
2988      * flags_p if non-NULL is the address of various input and output flag bits
2989      *      to the routine, as follows:  ('I' means is input to the routine;
2990      *      'O' means output from the routine.  Only flags marked O are
2991      *      meaningful on return.)
2992      *  _CORE_SWASH_INIT_USER_DEFINED_PROPERTY indicates if the swash
2993      *      came from a user-defined property.  (I O)
2994      *  _CORE_SWASH_INIT_RETURN_IF_UNDEF indicates that instead of croaking
2995      *      when the swash cannot be located, to simply return NULL. (I)
2996      *  _CORE_SWASH_INIT_ACCEPT_INVLIST indicates that the caller will accept a
2997      *      return of an inversion list instead of a swash hash if this routine
2998      *      thinks that would result in faster execution of swash_fetch() later
2999      *      on. (I)
3000      *
3001      * Thus there are three possible inputs to find the swash: <name>,
3002      * <listsv>, and <invlist>.  At least one must be specified.  The result
3003      * will be the union of the specified ones, although <listsv>'s various
3004      * actions can intersect, etc. what <name> gives.
3005      *
3006      * <invlist> is only valid for binary properties */
3007
3008     dVAR;
3009     SV* retval = &PL_sv_undef;
3010     HV* swash_hv = NULL;
3011     const int invlist_swash_boundary =
3012         (flags_p && *flags_p & _CORE_SWASH_INIT_ACCEPT_INVLIST)
3013         ? 512    /* Based on some benchmarking, but not extensive, see commit
3014                     message */
3015         : -1;   /* Never return just an inversion list */
3016
3017     assert(listsv != &PL_sv_undef || strNE(name, "") || invlist);
3018     assert(! invlist || minbits == 1);
3019
3020     /* If data was passed in to go out to utf8_heavy to find the swash of, do
3021      * so */
3022     if (listsv != &PL_sv_undef || strNE(name, "")) {
3023         dSP;
3024         const size_t pkg_len = strlen(pkg);
3025         const size_t name_len = strlen(name);
3026         HV * const stash = gv_stashpvn(pkg, pkg_len, 0);
3027         SV* errsv_save;
3028         GV *method;
3029
3030         PERL_ARGS_ASSERT__CORE_SWASH_INIT;
3031
3032         PUSHSTACKi(PERLSI_MAGIC);
3033         ENTER;
3034         SAVEHINTS();
3035         save_re_context();
3036         if (PL_parser && PL_parser->error_count)
3037             SAVEI8(PL_parser->error_count), PL_parser->error_count = 0;
3038         method = gv_fetchmeth(stash, "SWASHNEW", 8, -1);
3039         if (!method) {  /* demand load utf8 */
3040             ENTER;
3041             errsv_save = newSVsv(ERRSV);
3042             /* It is assumed that callers of this routine are not passing in
3043              * any user derived data.  */
3044             /* Need to do this after save_re_context() as it will set
3045              * PL_tainted to 1 while saving $1 etc (see the code after getrx:
3046              * in Perl_magic_get).  Even line to create errsv_save can turn on
3047              * PL_tainted.  */
3048             SAVEBOOL(PL_tainted);
3049             PL_tainted = 0;
3050             Perl_load_module(aTHX_ PERL_LOADMOD_NOIMPORT, newSVpvn(pkg,pkg_len),
3051                              NULL);
3052             if (!SvTRUE(ERRSV))
3053                 sv_setsv(ERRSV, errsv_save);
3054             SvREFCNT_dec(errsv_save);
3055             LEAVE;
3056         }
3057         SPAGAIN;
3058         PUSHMARK(SP);
3059         EXTEND(SP,5);
3060         mPUSHp(pkg, pkg_len);
3061         mPUSHp(name, name_len);
3062         PUSHs(listsv);
3063         mPUSHi(minbits);
3064         mPUSHi(none);
3065         PUTBACK;
3066         errsv_save = newSVsv(ERRSV);
3067         /* If we already have a pointer to the method, no need to use
3068          * call_method() to repeat the lookup.  */
3069         if (method ? call_sv(MUTABLE_SV(method), G_SCALAR)
3070             : call_sv(newSVpvs_flags("SWASHNEW", SVs_TEMP), G_SCALAR | G_METHOD))
3071         {
3072             retval = *PL_stack_sp--;
3073             SvREFCNT_inc(retval);
3074         }
3075         if (!SvTRUE(ERRSV))
3076             sv_setsv(ERRSV, errsv_save);
3077         SvREFCNT_dec(errsv_save);
3078         LEAVE;
3079         POPSTACK;
3080         if (IN_PERL_COMPILETIME) {
3081             CopHINTS_set(PL_curcop, PL_hints);
3082         }
3083         if (!SvROK(retval) || SvTYPE(SvRV(retval)) != SVt_PVHV) {
3084             if (SvPOK(retval))
3085
3086                 /* If caller wants to handle missing properties, let them */
3087                 if (flags_p && *flags_p & _CORE_SWASH_INIT_RETURN_IF_UNDEF) {
3088                     return NULL;
3089                 }
3090                 Perl_croak(aTHX_
3091                            "Can't find Unicode property definition \"%"SVf"\"",
3092                            SVfARG(retval));
3093             Perl_croak(aTHX_ "SWASHNEW didn't return an HV ref");
3094         }
3095     } /* End of calling the module to find the swash */
3096
3097     /* If this operation fetched a swash, and we will need it later, get it */
3098     if (retval != &PL_sv_undef
3099         && (minbits == 1 || (flags_p
3100                             && ! (*flags_p
3101                                   & _CORE_SWASH_INIT_USER_DEFINED_PROPERTY))))
3102     {
3103         swash_hv = MUTABLE_HV(SvRV(retval));
3104
3105         /* If we don't already know that there is a user-defined component to
3106          * this swash, and the user has indicated they wish to know if there is
3107          * one (by passing <flags_p>), find out */
3108         if (flags_p && ! (*flags_p & _CORE_SWASH_INIT_USER_DEFINED_PROPERTY)) {
3109             SV** user_defined = hv_fetchs(swash_hv, "USER_DEFINED", FALSE);
3110             if (user_defined && SvUV(*user_defined)) {
3111                 *flags_p |= _CORE_SWASH_INIT_USER_DEFINED_PROPERTY;
3112             }
3113         }
3114     }
3115
3116     /* Make sure there is an inversion list for binary properties */
3117     if (minbits == 1) {
3118         SV** swash_invlistsvp = NULL;
3119         SV* swash_invlist = NULL;
3120         bool invlist_in_swash_is_valid = FALSE;
3121
3122         /* If this operation fetched a swash, get its already existing
3123          * inversion list, or create one for it */
3124
3125         if (swash_hv) {
3126             swash_invlistsvp = hv_fetchs(swash_hv, "V", FALSE);
3127             if (swash_invlistsvp) {
3128                 swash_invlist = *swash_invlistsvp;
3129                 invlist_in_swash_is_valid = TRUE;
3130             }
3131             else {
3132                 swash_invlist = _swash_to_invlist(retval);
3133             }
3134         }
3135
3136         /* If an inversion list was passed in, have to include it */
3137         if (invlist) {
3138
3139             /* Any fetched swash will by now have an inversion list in it;
3140              * otherwise <swash_invlist>  will be NULL, indicating that we
3141              * didn't fetch a swash */
3142             if (swash_invlist) {
3143
3144                 /* Add the passed-in inversion list, which invalidates the one
3145                  * already stored in the swash */
3146                 invlist_in_swash_is_valid = FALSE;
3147                 _invlist_union(invlist, swash_invlist, &swash_invlist);
3148             }
3149             else {
3150
3151                 /* Here, there is no swash already.  Set up a minimal one, if
3152                  * we are going to return a swash */
3153                 if ((int) _invlist_len(invlist) > invlist_swash_boundary) {
3154                     swash_hv = newHV();
3155                     retval = newRV_inc(MUTABLE_SV(swash_hv));
3156                 }
3157                 swash_invlist = invlist;
3158             }
3159         }
3160
3161         /* Here, we have computed the union of all the passed-in data.  It may
3162          * be that there was an inversion list in the swash which didn't get
3163          * touched; otherwise save the one computed one */
3164         if (! invlist_in_swash_is_valid
3165             && (int) _invlist_len(swash_invlist) > invlist_swash_boundary)
3166         {
3167             if (! hv_stores(MUTABLE_HV(SvRV(retval)), "V", swash_invlist))
3168             {
3169                 Perl_croak(aTHX_ "panic: hv_store() unexpectedly failed");
3170             }
3171         }
3172
3173         if ((int) _invlist_len(swash_invlist) <= invlist_swash_boundary) {
3174             SvREFCNT_dec(retval);
3175             retval = newRV_inc(swash_invlist);
3176         }
3177     }
3178
3179     return retval;
3180 }
3181
3182
3183 /* This API is wrong for special case conversions since we may need to
3184  * return several Unicode characters for a single Unicode character
3185  * (see lib/unicore/SpecCase.txt) The SWASHGET in lib/utf8_heavy.pl is
3186  * the lower-level routine, and it is similarly broken for returning
3187  * multiple values.  --jhi
3188  * For those, you should use to_utf8_case() instead */
3189 /* Now SWASHGET is recasted into S_swatch_get in this file. */
3190
3191 /* Note:
3192  * Returns the value of property/mapping C<swash> for the first character
3193  * of the string C<ptr>. If C<do_utf8> is true, the string C<ptr> is
3194  * assumed to be in utf8. If C<do_utf8> is false, the string C<ptr> is
3195  * assumed to be in native 8-bit encoding. Caches the swatch in C<swash>.
3196  *
3197  * A "swash" is a hash which contains initially the keys/values set up by
3198  * SWASHNEW.  The purpose is to be able to completely represent a Unicode
3199  * property for all possible code points.  Things are stored in a compact form
3200  * (see utf8_heavy.pl) so that calculation is required to find the actual
3201  * property value for a given code point.  As code points are looked up, new
3202  * key/value pairs are added to the hash, so that the calculation doesn't have
3203  * to ever be re-done.  Further, each calculation is done, not just for the
3204  * desired one, but for a whole block of code points adjacent to that one.
3205  * For binary properties on ASCII machines, the block is usually for 64 code
3206  * points, starting with a code point evenly divisible by 64.  Thus if the
3207  * property value for code point 257 is requested, the code goes out and
3208  * calculates the property values for all 64 code points between 256 and 319,
3209  * and stores these as a single 64-bit long bit vector, called a "swatch",
3210  * under the key for code point 256.  The key is the UTF-8 encoding for code
3211  * point 256, minus the final byte.  Thus, if the length of the UTF-8 encoding
3212  * for a code point is 13 bytes, the key will be 12 bytes long.  If the value
3213  * for code point 258 is then requested, this code realizes that it would be
3214  * stored under the key for 256, and would find that value and extract the
3215  * relevant bit, offset from 256.
3216  *
3217  * Non-binary properties are stored in as many bits as necessary to represent
3218  * their values (32 currently, though the code is more general than that), not
3219  * as single bits, but the principal is the same: the value for each key is a
3220  * vector that encompasses the property values for all code points whose UTF-8
3221  * representations are represented by the key.  That is, for all code points
3222  * whose UTF-8 representations are length N bytes, and the key is the first N-1
3223  * bytes of that.
3224  */
3225 UV
3226 Perl_swash_fetch(pTHX_ SV *swash, const U8 *ptr, bool do_utf8)
3227 {
3228     dVAR;
3229     HV *const hv = MUTABLE_HV(SvRV(swash));
3230     U32 klen;
3231     U32 off;
3232     STRLEN slen;
3233     STRLEN needents;
3234     const U8 *tmps = NULL;
3235     U32 bit;
3236     SV *swatch;
3237     U8 tmputf8[2];
3238     const UV c = NATIVE_TO_ASCII(*ptr);
3239
3240     PERL_ARGS_ASSERT_SWASH_FETCH;
3241
3242     /* If it really isn't a hash, it isn't really swash; must be an inversion
3243      * list */
3244     if (SvTYPE(hv) != SVt_PVHV) {
3245         return _invlist_contains_cp((SV*)hv,
3246                                     (do_utf8)
3247                                      ? valid_utf8_to_uvchr(ptr, NULL)
3248                                      : c);
3249     }
3250
3251     /* Convert to utf8 if not already */
3252     if (!do_utf8 && !UNI_IS_INVARIANT(c)) {
3253         tmputf8[0] = (U8)UTF8_EIGHT_BIT_HI(c);
3254         tmputf8[1] = (U8)UTF8_EIGHT_BIT_LO(c);
3255         ptr = tmputf8;
3256     }
3257     /* Given a UTF-X encoded char 0xAA..0xYY,0xZZ
3258      * then the "swatch" is a vec() for all the chars which start
3259      * with 0xAA..0xYY
3260      * So the key in the hash (klen) is length of encoded char -1
3261      */
3262     klen = UTF8SKIP(ptr) - 1;
3263     off  = ptr[klen];
3264
3265     if (klen == 0) {
3266       /* If char is invariant then swatch is for all the invariant chars
3267        * In both UTF-8 and UTF-8-MOD that happens to be UTF_CONTINUATION_MARK
3268        */
3269         needents = UTF_CONTINUATION_MARK;
3270         off      = NATIVE_TO_UTF(ptr[klen]);
3271     }
3272     else {
3273       /* If char is encoded then swatch is for the prefix */
3274         needents = (1 << UTF_ACCUMULATION_SHIFT);
3275         off      = NATIVE_TO_UTF(ptr[klen]) & UTF_CONTINUATION_MASK;
3276     }
3277
3278     /*
3279      * This single-entry cache saves about 1/3 of the utf8 overhead in test
3280      * suite.  (That is, only 7-8% overall over just a hash cache.  Still,
3281      * it's nothing to sniff at.)  Pity we usually come through at least
3282      * two function calls to get here...
3283      *
3284      * NB: this code assumes that swatches are never modified, once generated!
3285      */
3286
3287     if (hv   == PL_last_swash_hv &&
3288         klen == PL_last_swash_klen &&
3289         (!klen || memEQ((char *)ptr, (char *)PL_last_swash_key, klen)) )
3290     {
3291         tmps = PL_last_swash_tmps;
3292         slen = PL_last_swash_slen;
3293     }
3294     else {
3295         /* Try our second-level swatch cache, kept in a hash. */
3296         SV** svp = hv_fetch(hv, (const char*)ptr, klen, FALSE);
3297
3298         /* If not cached, generate it via swatch_get */
3299         if (!svp || !SvPOK(*svp)
3300                  || !(tmps = (const U8*)SvPV_const(*svp, slen))) {
3301             /* We use utf8n_to_uvuni() as we want an index into
3302                Unicode tables, not a native character number.
3303              */
3304             const UV code_point = utf8n_to_uvuni(ptr, UTF8_MAXBYTES, 0,
3305                                            ckWARN(WARN_UTF8) ?
3306                                            0 : UTF8_ALLOW_ANY);
3307             swatch = swatch_get(swash,
3308                     /* On EBCDIC & ~(0xA0-1) isn't a useful thing to do */
3309                                 (klen) ? (code_point & ~((UV)needents - 1)) : 0,
3310                                 needents);
3311
3312             if (IN_PERL_COMPILETIME)
3313                 CopHINTS_set(PL_curcop, PL_hints);
3314
3315             svp = hv_store(hv, (const char *)ptr, klen, swatch, 0);
3316
3317             if (!svp || !(tmps = (U8*)SvPV(*svp, slen))
3318                      || (slen << 3) < needents)
3319                 Perl_croak(aTHX_ "panic: swash_fetch got improper swatch, "
3320                            "svp=%p, tmps=%p, slen=%"UVuf", needents=%"UVuf,
3321                            svp, tmps, (UV)slen, (UV)needents);
3322         }
3323
3324         PL_last_swash_hv = hv;
3325         assert(klen <= sizeof(PL_last_swash_key));
3326         PL_last_swash_klen = (U8)klen;
3327         /* FIXME change interpvar.h?  */
3328         PL_last_swash_tmps = (U8 *) tmps;
3329         PL_last_swash_slen = slen;
3330         if (klen)
3331             Copy(ptr, PL_last_swash_key, klen, U8);
3332     }
3333
3334     switch ((int)((slen << 3) / needents)) {
3335     case 1:
3336         bit = 1 << (off & 7);
3337         off >>= 3;
3338         return (tmps[off] & bit) != 0;
3339     case 8:
3340         return tmps[off];
3341     case 16:
3342         off <<= 1;
3343         return (tmps[off] << 8) + tmps[off + 1] ;
3344     case 32:
3345         off <<= 2;
3346         return (tmps[off] << 24) + (tmps[off+1] << 16) + (tmps[off+2] << 8) + tmps[off + 3] ;
3347     }
3348     Perl_croak(aTHX_ "panic: swash_fetch got swatch of unexpected bit width, "
3349                "slen=%"UVuf", needents=%"UVuf, (UV)slen, (UV)needents);
3350     NORETURN_FUNCTION_END;
3351 }
3352
3353 /* Read a single line of the main body of the swash input text.  These are of
3354  * the form:
3355  * 0053 0056    0073
3356  * where each number is hex.  The first two numbers form the minimum and
3357  * maximum of a range, and the third is the value associated with the range.
3358  * Not all swashes should have a third number
3359  *
3360  * On input: l    points to the beginning of the line to be examined; it points
3361  *                to somewhere in the string of the whole input text, and is
3362  *                terminated by a \n or the null string terminator.
3363  *           lend   points to the null terminator of that string
3364  *           wants_value    is non-zero if the swash expects a third number
3365  *           typestr is the name of the swash's mapping, like 'ToLower'
3366  * On output: *min, *max, and *val are set to the values read from the line.
3367  *            returns a pointer just beyond the line examined.  If there was no
3368  *            valid min number on the line, returns lend+1
3369  */
3370
3371 STATIC U8*
3372 S_swash_scan_list_line(pTHX_ U8* l, U8* const lend, UV* min, UV* max, UV* val,
3373                              const bool wants_value, const U8* const typestr)
3374 {
3375     const int  typeto  = typestr[0] == 'T' && typestr[1] == 'o';
3376     STRLEN numlen;          /* Length of the number */
3377     I32 flags = PERL_SCAN_SILENT_ILLDIGIT
3378                 | PERL_SCAN_DISALLOW_PREFIX
3379                 | PERL_SCAN_SILENT_NON_PORTABLE;
3380
3381     /* nl points to the next \n in the scan */
3382     U8* const nl = (U8*)memchr(l, '\n', lend - l);
3383
3384     /* Get the first number on the line: the range minimum */
3385     numlen = lend - l;
3386     *min = grok_hex((char *)l, &numlen, &flags, NULL);
3387     if (numlen)     /* If found a hex number, position past it */
3388         l += numlen;
3389     else if (nl) {          /* Else, go handle next line, if any */
3390         return nl + 1;  /* 1 is length of "\n" */
3391     }
3392     else {              /* Else, no next line */
3393         return lend + 1;        /* to LIST's end at which \n is not found */
3394     }
3395
3396     /* The max range value follows, separated by a BLANK */
3397     if (isBLANK(*l)) {
3398         ++l;
3399         flags = PERL_SCAN_SILENT_ILLDIGIT
3400                 | PERL_SCAN_DISALLOW_PREFIX
3401                 | PERL_SCAN_SILENT_NON_PORTABLE;
3402         numlen = lend - l;
3403         *max = grok_hex((char *)l, &numlen, &flags, NULL);
3404         if (numlen)
3405             l += numlen;
3406         else    /* If no value here, it is a single element range */
3407             *max = *min;
3408
3409         /* Non-binary tables have a third entry: what the first element of the
3410          * range maps to */
3411         if (wants_value) {
3412             if (isBLANK(*l)) {
3413                 ++l;
3414
3415                 /* The ToLc, etc table mappings are not in hex, and must be
3416                  * corrected by adding the code point to them */
3417                 if (typeto) {
3418                     char *after_strtol = (char *) lend;
3419                     *val = Strtol((char *)l, &after_strtol, 10);
3420                     l = (U8 *) after_strtol;
3421                 }
3422                 else { /* Other tables are in hex, and are the correct result
3423                           without tweaking */
3424                     flags = PERL_SCAN_SILENT_ILLDIGIT
3425                         | PERL_SCAN_DISALLOW_PREFIX
3426                         | PERL_SCAN_SILENT_NON_PORTABLE;
3427                     numlen = lend - l;
3428                     *val = grok_hex((char *)l, &numlen, &flags, NULL);
3429                     if (numlen)
3430                         l += numlen;
3431                     else
3432                         *val = 0;
3433                 }
3434             }
3435             else {
3436                 *val = 0;
3437                 if (typeto) {
3438                     /* diag_listed_as: To%s: illegal mapping '%s' */
3439                     Perl_croak(aTHX_ "%s: illegal mapping '%s'",
3440                                      typestr, l);
3441                 }
3442             }
3443         }
3444         else
3445             *val = 0; /* bits == 1, then any val should be ignored */
3446     }
3447     else { /* Nothing following range min, should be single element with no
3448               mapping expected */
3449         *max = *min;
3450         if (wants_value) {
3451             *val = 0;
3452             if (typeto) {
3453                 /* diag_listed_as: To%s: illegal mapping '%s' */
3454                 Perl_croak(aTHX_ "%s: illegal mapping '%s'", typestr, l);
3455             }
3456         }
3457         else
3458             *val = 0; /* bits == 1, then val should be ignored */
3459     }
3460
3461     /* Position to next line if any, or EOF */
3462     if (nl)
3463         l = nl + 1;
3464     else
3465         l = lend;
3466
3467     return l;
3468 }
3469
3470 /* Note:
3471  * Returns a swatch (a bit vector string) for a code point sequence
3472  * that starts from the value C<start> and comprises the number C<span>.
3473  * A C<swash> must be an object created by SWASHNEW (see lib/utf8_heavy.pl).
3474  * Should be used via swash_fetch, which will cache the swatch in C<swash>.
3475  */
3476 STATIC SV*
3477 S_swatch_get(pTHX_ SV* swash, UV start, UV span)
3478 {
3479     SV *swatch;
3480     U8 *l, *lend, *x, *xend, *s, *send;
3481     STRLEN lcur, xcur, scur;
3482     HV *const hv = MUTABLE_HV(SvRV(swash));
3483     SV** const invlistsvp = hv_fetchs(hv, "V", FALSE);
3484
3485     SV** listsvp = NULL; /* The string containing the main body of the table */
3486     SV** extssvp = NULL;
3487     SV** invert_it_svp = NULL;
3488     U8* typestr = NULL;
3489     STRLEN bits;
3490     STRLEN octets; /* if bits == 1, then octets == 0 */
3491     UV  none;
3492     UV  end = start + span;
3493
3494     if (invlistsvp == NULL) {
3495         SV** const bitssvp = hv_fetchs(hv, "BITS", FALSE);
3496         SV** const nonesvp = hv_fetchs(hv, "NONE", FALSE);
3497         SV** const typesvp = hv_fetchs(hv, "TYPE", FALSE);
3498         extssvp = hv_fetchs(hv, "EXTRAS", FALSE);
3499         listsvp = hv_fetchs(hv, "LIST", FALSE);
3500         invert_it_svp = hv_fetchs(hv, "INVERT_IT", FALSE);
3501
3502         bits  = SvUV(*bitssvp);
3503         none  = SvUV(*nonesvp);
3504         typestr = (U8*)SvPV_nolen(*typesvp);
3505     }
3506     else {
3507         bits = 1;
3508         none = 0;
3509     }
3510     octets = bits >> 3; /* if bits == 1, then octets == 0 */
3511
3512     PERL_ARGS_ASSERT_SWATCH_GET;
3513
3514     if (bits != 1 && bits != 8 && bits != 16 && bits != 32) {
3515         Perl_croak(aTHX_ "panic: swatch_get doesn't expect bits %"UVuf,
3516                                                  (UV)bits);
3517     }
3518
3519     /* If overflowed, use the max possible */
3520     if (end < start) {
3521         end = UV_MAX;
3522         span = end - start;
3523     }
3524
3525     /* create and initialize $swatch */
3526     scur   = octets ? (span * octets) : (span + 7) / 8;
3527     swatch = newSV(scur);
3528     SvPOK_on(swatch);
3529     s = (U8*)SvPVX(swatch);
3530     if (octets && none) {
3531         const U8* const e = s + scur;
3532         while (s < e) {
3533             if (bits == 8)
3534                 *s++ = (U8)(none & 0xff);
3535             else if (bits == 16) {
3536                 *s++ = (U8)((none >>  8) & 0xff);
3537                 *s++ = (U8)( none        & 0xff);
3538             }
3539             else if (bits == 32) {
3540                 *s++ = (U8)((none >> 24) & 0xff);
3541                 *s++ = (U8)((none >> 16) & 0xff);
3542                 *s++ = (U8)((none >>  8) & 0xff);
3543                 *s++ = (U8)( none        & 0xff);
3544             }
3545         }
3546         *s = '\0';
3547     }
3548     else {
3549         (void)memzero((U8*)s, scur + 1);
3550     }
3551     SvCUR_set(swatch, scur);
3552     s = (U8*)SvPVX(swatch);
3553
3554     if (invlistsvp) {   /* If has an inversion list set up use that */
3555         _invlist_populate_swatch(*invlistsvp, start, end, s);
3556         return swatch;
3557     }
3558
3559     /* read $swash->{LIST} */
3560     l = (U8*)SvPV(*listsvp, lcur);
3561     lend = l + lcur;
3562     while (l < lend) {
3563         UV min, max, val, upper;
3564         l = S_swash_scan_list_line(aTHX_ l, lend, &min, &max, &val,
3565                                          cBOOL(octets), typestr);
3566         if (l > lend) {
3567             break;
3568         }
3569
3570         /* If looking for something beyond this range, go try the next one */
3571         if (max < start)
3572             continue;
3573
3574         /* <end> is generally 1 beyond where we want to set things, but at the
3575          * platform's infinity, where we can't go any higher, we want to
3576          * include the code point at <end> */
3577         upper = (max < end)
3578                 ? max
3579                 : (max != UV_MAX || end != UV_MAX)
3580                   ? end - 1
3581                   : end;
3582
3583         if (octets) {
3584             UV key;
3585             if (min < start) {
3586                 if (!none || val < none) {
3587                     val += start - min;
3588                 }
3589                 min = start;
3590             }
3591             for (key = min; key <= upper; key++) {
3592                 STRLEN offset;
3593                 /* offset must be non-negative (start <= min <= key < end) */
3594                 offset = octets * (key - start);
3595                 if (bits == 8)
3596                     s[offset] = (U8)(val & 0xff);
3597                 else if (bits == 16) {
3598                     s[offset    ] = (U8)((val >>  8) & 0xff);
3599                     s[offset + 1] = (U8)( val        & 0xff);
3600                 }
3601                 else if (bits == 32) {
3602                     s[offset    ] = (U8)((val >> 24) & 0xff);
3603                     s[offset + 1] = (U8)((val >> 16) & 0xff);
3604                     s[offset + 2] = (U8)((val >>  8) & 0xff);
3605                     s[offset + 3] = (U8)( val        & 0xff);
3606                 }
3607
3608                 if (!none || val < none)
3609                     ++val;
3610             }
3611         }
3612         else { /* bits == 1, then val should be ignored */
3613             UV key;
3614             if (min < start)
3615                 min = start;
3616
3617             for (key = min; key <= upper; key++) {
3618                 const STRLEN offset = (STRLEN)(key - start);
3619                 s[offset >> 3] |= 1 << (offset & 7);
3620             }
3621         }
3622     } /* while */
3623
3624     /* Invert if the data says it should be.  Assumes that bits == 1 */
3625     if (invert_it_svp && SvUV(*invert_it_svp)) {
3626
3627         /* Unicode properties should come with all bits above PERL_UNICODE_MAX
3628          * be 0, and their inversion should also be 0, as we don't succeed any
3629          * Unicode property matches for non-Unicode code points */
3630         if (start <= PERL_UNICODE_MAX) {
3631
3632             /* The code below assumes that we never cross the
3633              * Unicode/above-Unicode boundary in a range, as otherwise we would
3634              * have to figure out where to stop flipping the bits.  Since this
3635              * boundary is divisible by a large power of 2, and swatches comes
3636              * in small powers of 2, this should be a valid assumption */
3637             assert(start + span - 1 <= PERL_UNICODE_MAX);
3638
3639             send = s + scur;
3640             while (s < send) {
3641                 *s = ~(*s);
3642                 s++;
3643             }
3644         }
3645     }
3646
3647     /* read $swash->{EXTRAS}
3648      * This code also copied to swash_to_invlist() below */
3649     x = (U8*)SvPV(*extssvp, xcur);
3650     xend = x + xcur;
3651     while (x < xend) {
3652         STRLEN namelen;
3653         U8 *namestr;
3654         SV** othersvp;
3655         HV* otherhv;
3656         STRLEN otherbits;
3657         SV **otherbitssvp, *other;
3658         U8 *s, *o, *nl;
3659         STRLEN slen, olen;
3660
3661         const U8 opc = *x++;
3662         if (opc == '\n')
3663             continue;
3664
3665         nl = (U8*)memchr(x, '\n', xend - x);
3666
3667         if (opc != '-' && opc != '+' && opc != '!' && opc != '&') {
3668             if (nl) {
3669                 x = nl + 1; /* 1 is length of "\n" */
3670                 continue;
3671             }
3672             else {
3673                 x = xend; /* to EXTRAS' end at which \n is not found */
3674                 break;
3675             }
3676         }
3677
3678         namestr = x;
3679         if (nl) {
3680             namelen = nl - namestr;
3681             x = nl + 1;
3682         }
3683         else {
3684             namelen = xend - namestr;
3685             x = xend;
3686         }
3687
3688         othersvp = hv_fetch(hv, (char *)namestr, namelen, FALSE);
3689         otherhv = MUTABLE_HV(SvRV(*othersvp));
3690         otherbitssvp = hv_fetchs(otherhv, "BITS", FALSE);
3691         otherbits = (STRLEN)SvUV(*otherbitssvp);
3692         if (bits < otherbits)
3693             Perl_croak(aTHX_ "panic: swatch_get found swatch size mismatch, "
3694                        "bits=%"UVuf", otherbits=%"UVuf, (UV)bits, (UV)otherbits);
3695
3696         /* The "other" swatch must be destroyed after. */
3697         other = swatch_get(*othersvp, start, span);
3698         o = (U8*)SvPV(other, olen);
3699
3700         if (!olen)
3701             Perl_croak(aTHX_ "panic: swatch_get got improper swatch");
3702
3703         s = (U8*)SvPV(swatch, slen);
3704         if (bits == 1 && otherbits == 1) {
3705             if (slen != olen)
3706                 Perl_croak(aTHX_ "panic: swatch_get found swatch length "
3707                            "mismatch, slen=%"UVuf", olen=%"UVuf,
3708                            (UV)slen, (UV)olen);
3709
3710             switch (opc) {
3711             case '+':
3712                 while (slen--)
3713                     *s++ |= *o++;
3714                 break;
3715             case '!':
3716                 while (slen--)
3717                     *s++ |= ~*o++;
3718                 break;
3719             case '-':
3720                 while (slen--)
3721                     *s++ &= ~*o++;
3722                 break;
3723             case '&':
3724                 while (slen--)
3725                     *s++ &= *o++;
3726                 break;
3727             default:
3728                 break;
3729             }
3730         }
3731         else {
3732             STRLEN otheroctets = otherbits >> 3;
3733             STRLEN offset = 0;
3734             U8* const send = s + slen;
3735
3736             while (s < send) {
3737                 UV otherval = 0;
3738
3739                 if (otherbits == 1) {
3740                     otherval = (o[offset >> 3] >> (offset & 7)) & 1;
3741                     ++offset;
3742                 }
3743                 else {
3744                     STRLEN vlen = otheroctets;
3745                     otherval = *o++;
3746                     while (--vlen) {
3747                         otherval <<= 8;
3748                         otherval |= *o++;
3749                     }
3750                 }
3751
3752                 if (opc == '+' && otherval)
3753                     NOOP;   /* replace with otherval */
3754                 else if (opc == '!' && !otherval)
3755                     otherval = 1;
3756                 else if (opc == '-' && otherval)
3757                     otherval = 0;
3758                 else if (opc == '&' && !otherval)
3759                     otherval = 0;
3760                 else {
3761                     s += octets; /* no replacement */
3762                     continue;
3763                 }
3764
3765                 if (bits == 8)
3766                     *s++ = (U8)( otherval & 0xff);
3767                 else if (bits == 16) {
3768                     *s++ = (U8)((otherval >>  8) & 0xff);
3769                     *s++ = (U8)( otherval        & 0xff);
3770                 }
3771                 else if (bits == 32) {
3772                     *s++ = (U8)((otherval >> 24) & 0xff);
3773                     *s++ = (U8)((otherval >> 16) & 0xff);
3774                     *s++ = (U8)((otherval >>  8) & 0xff);
3775                     *s++ = (U8)( otherval        & 0xff);
3776                 }
3777             }
3778         }
3779         sv_free(other); /* through with it! */
3780     } /* while */
3781     return swatch;
3782 }
3783
3784 HV*
3785 Perl__swash_inversion_hash(pTHX_ SV* const swash)
3786 {
3787
3788    /* Subject to change or removal.  For use only in one place in regcomp.c.
3789     * Can't be used on a property that is subject to user override, as it
3790     * relies on the value of SPECIALS in the swash which would be set by
3791     * utf8_heavy.pl to the hash in the non-overriden file, and hence is not set
3792     * for overridden properties
3793     *
3794     * Returns a hash which is the inversion and closure of a swash mapping.
3795     * For example, consider the input lines:
3796     * 004B              006B
3797     * 004C              006C
3798     * 212A              006B
3799     *
3800     * The returned hash would have two keys, the utf8 for 006B and the utf8 for
3801     * 006C.  The value for each key is an array.  For 006C, the array would
3802     * have a two elements, the utf8 for itself, and for 004C.  For 006B, there
3803     * would be three elements in its array, the utf8 for 006B, 004B and 212A.
3804     *
3805     * Essentially, for any code point, it gives all the code points that map to
3806     * it, or the list of 'froms' for that point.
3807     *
3808     * Currently it ignores any additions or deletions from other swashes,
3809     * looking at just the main body of the swash, and if there are SPECIALS
3810     * in the swash, at that hash
3811     *
3812     * The specials hash can be extra code points, and most likely consists of
3813     * maps from single code points to multiple ones (each expressed as a string
3814     * of utf8 characters).   This function currently returns only 1-1 mappings.
3815     * However consider this possible input in the specials hash:
3816     * "\xEF\xAC\x85" => "\x{0073}\x{0074}",         # U+FB05 => 0073 0074
3817     * "\xEF\xAC\x86" => "\x{0073}\x{0074}",         # U+FB06 => 0073 0074
3818     *
3819     * Both FB05 and FB06 map to the same multi-char sequence, which we don't
3820     * currently handle.  But it also means that FB05 and FB06 are equivalent in
3821     * a 1-1 mapping which we should handle, and this relationship may not be in
3822     * the main table.  Therefore this function examines all the multi-char
3823     * sequences and adds the 1-1 mappings that come out of that.  */
3824
3825     U8 *l, *lend;
3826     STRLEN lcur;
3827     HV *const hv = MUTABLE_HV(SvRV(swash));
3828
3829     /* The string containing the main body of the table */
3830     SV** const listsvp = hv_fetchs(hv, "LIST", FALSE);
3831
3832     SV** const typesvp = hv_fetchs(hv, "TYPE", FALSE);
3833     SV** const bitssvp = hv_fetchs(hv, "BITS", FALSE);
3834     SV** const nonesvp = hv_fetchs(hv, "NONE", FALSE);
3835     /*SV** const extssvp = hv_fetchs(hv, "EXTRAS", FALSE);*/
3836     const U8* const typestr = (U8*)SvPV_nolen(*typesvp);
3837     const STRLEN bits  = SvUV(*bitssvp);
3838     const STRLEN octets = bits >> 3; /* if bits == 1, then octets == 0 */
3839     const UV     none  = SvUV(*nonesvp);
3840     SV **specials_p = hv_fetchs(hv, "SPECIALS", 0);
3841
3842     HV* ret = newHV();
3843
3844     PERL_ARGS_ASSERT__SWASH_INVERSION_HASH;
3845
3846     /* Must have at least 8 bits to get the mappings */
3847     if (bits != 8 && bits != 16 && bits != 32) {
3848         Perl_croak(aTHX_ "panic: swash_inversion_hash doesn't expect bits %"UVuf,
3849                                                  (UV)bits);
3850     }
3851
3852     if (specials_p) { /* It might be "special" (sometimes, but not always, a
3853                         mapping to more than one character */
3854
3855         /* Construct an inverse mapping hash for the specials */
3856         HV * const specials_hv = MUTABLE_HV(SvRV(*specials_p));
3857         HV * specials_inverse = newHV();
3858         char *char_from; /* the lhs of the map */
3859         I32 from_len;   /* its byte length */
3860         char *char_to;  /* the rhs of the map */
3861         I32 to_len;     /* its byte length */
3862         SV *sv_to;      /* and in a sv */
3863         AV* from_list;  /* list of things that map to each 'to' */
3864
3865         hv_iterinit(specials_hv);
3866
3867         /* The keys are the characters (in utf8) that map to the corresponding
3868          * utf8 string value.  Iterate through the list creating the inverse
3869          * list. */
3870         while ((sv_to = hv_iternextsv(specials_hv, &char_from, &from_len))) {
3871             SV** listp;
3872             if (! SvPOK(sv_to)) {
3873                 Perl_croak(aTHX_ "panic: value returned from hv_iternextsv() "
3874                            "unexpectedly is not a string, flags=%lu",
3875                            (unsigned long)SvFLAGS(sv_to));
3876             }
3877             /*DEBUG_U(PerlIO_printf(Perl_debug_log, "Found mapping from %"UVXf", First char of to is %"UVXf"\n", valid_utf8_to_uvchr((U8*) char_from, 0), valid_utf8_to_uvchr((U8*) SvPVX(sv_to), 0)));*/
3878
3879             /* Each key in the inverse list is a mapped-to value, and the key's
3880              * hash value is a list of the strings (each in utf8) that map to
3881              * it.  Those strings are all one character long */
3882             if ((listp = hv_fetch(specials_inverse,
3883                                     SvPVX(sv_to),
3884                                     SvCUR(sv_to), 0)))
3885             {
3886                 from_list = (AV*) *listp;
3887             }
3888             else { /* No entry yet for it: create one */
3889                 from_list = newAV();
3890                 if (! hv_store(specials_inverse,
3891                                 SvPVX(sv_to),
3892                                 SvCUR(sv_to),
3893                                 (SV*) from_list, 0))
3894                 {
3895                     Perl_croak(aTHX_ "panic: hv_store() unexpectedly failed");
3896                 }
3897             }
3898
3899             /* Here have the list associated with this 'to' (perhaps newly
3900              * created and empty).  Just add to it.  Note that we ASSUME that
3901              * the input is guaranteed to not have duplications, so we don't
3902              * check for that.  Duplications just slow down execution time. */
3903             av_push(from_list, newSVpvn_utf8(char_from, from_len, TRUE));
3904         }
3905
3906         /* Here, 'specials_inverse' contains the inverse mapping.  Go through
3907          * it looking for cases like the FB05/FB06 examples above.  There would
3908          * be an entry in the hash like
3909         *       'st' => [ FB05, FB06 ]
3910         * In this example we will create two lists that get stored in the
3911         * returned hash, 'ret':
3912         *       FB05 => [ FB05, FB06 ]
3913         *       FB06 => [ FB05, FB06 ]
3914         *
3915         * Note that there is nothing to do if the array only has one element.
3916         * (In the normal 1-1 case handled below, we don't have to worry about
3917         * two lists, as everything gets tied to the single list that is
3918         * generated for the single character 'to'.  But here, we are omitting
3919         * that list, ('st' in the example), so must have multiple lists.) */
3920         while ((from_list = (AV *) hv_iternextsv(specials_inverse,
3921                                                  &char_to, &to_len)))
3922         {
3923             if (av_len(from_list) > 0) {
3924                 int i;
3925
3926                 /* We iterate over all combinations of i,j to place each code
3927                  * point on each list */
3928                 for (i = 0; i <= av_len(from_list); i++) {
3929                     int j;
3930                     AV* i_list = newAV();
3931                     SV** entryp = av_fetch(from_list, i, FALSE);
3932                     if (entryp == NULL) {
3933                         Perl_croak(aTHX_ "panic: av_fetch() unexpectedly failed");
3934                     }
3935                     if (hv_fetch(ret, SvPVX(*entryp), SvCUR(*entryp), FALSE)) {
3936                         Perl_croak(aTHX_ "panic: unexpected entry for %s", SvPVX(*entryp));
3937                     }
3938                     if (! hv_store(ret, SvPVX(*entryp), SvCUR(*entryp),
3939                                    (SV*) i_list, FALSE))
3940                     {
3941                         Perl_croak(aTHX_ "panic: hv_store() unexpectedly failed");
3942                     }
3943
3944                     /* For debugging: UV u = valid_utf8_to_uvchr((U8*) SvPVX(*entryp), 0);*/
3945                     for (j = 0; j <= av_len(from_list); j++) {
3946                         entryp = av_fetch(from_list, j, FALSE);
3947                         if (entryp == NULL) {
3948                             Perl_croak(aTHX_ "panic: av_fetch() unexpectedly failed");
3949                         }
3950
3951                         /* When i==j this adds itself to the list */
3952                         av_push(i_list, newSVuv(utf8_to_uvchr_buf(
3953                                         (U8*) SvPVX(*entryp),
3954                                         (U8*) SvPVX(*entryp) + SvCUR(*entryp),
3955                                         0)));
3956                         /*DEBUG_U(PerlIO_printf(Perl_debug_log, "%s: %d: Adding %"UVXf" to list for %"UVXf"\n", __FILE__, __LINE__, valid_utf8_to_uvchr((U8*) SvPVX(*entryp), 0), u));*/
3957                     }
3958                 }
3959             }
3960         }
3961         SvREFCNT_dec(specials_inverse); /* done with it */
3962     } /* End of specials */
3963
3964     /* read $swash->{LIST} */
3965     l = (U8*)SvPV(*listsvp, lcur);
3966     lend = l + lcur;
3967
3968     /* Go through each input line */
3969     while (l < lend) {
3970         UV min, max, val;
3971         UV inverse;
3972         l = S_swash_scan_list_line(aTHX_ l, lend, &min, &max, &val,
3973                                          cBOOL(octets), typestr);
3974         if (l > lend) {
3975             break;
3976         }
3977
3978         /* Each element in the range is to be inverted */
3979         for (inverse = min; inverse <= max; inverse++) {
3980             AV* list;
3981             SV** listp;
3982             IV i;
3983             bool found_key = FALSE;
3984             bool found_inverse = FALSE;
3985
3986             /* The key is the inverse mapping */
3987             char key[UTF8_MAXBYTES+1];
3988             char* key_end = (char *) uvuni_to_utf8((U8*) key, val);
3989             STRLEN key_len = key_end - key;
3990
3991             /* Get the list for the map */
3992             if ((listp = hv_fetch(ret, key, key_len, FALSE))) {
3993                 list = (AV*) *listp;
3994             }
3995             else { /* No entry yet for it: create one */
3996                 list = newAV();
3997                 if (! hv_store(ret, key, key_len, (SV*) list, FALSE)) {
3998                     Perl_croak(aTHX_ "panic: hv_store() unexpectedly failed");
3999                 }
4000             }
4001
4002             /* Look through list to see if this inverse mapping already is
4003              * listed, or if there is a mapping to itself already */
4004             for (i = 0; i <= av_len(list); i++) {
4005                 SV** entryp = av_fetch(list, i, FALSE);
4006                 SV* entry;
4007                 if (entryp == NULL) {
4008                     Perl_croak(aTHX_ "panic: av_fetch() unexpectedly failed");
4009                 }
4010                 entry = *entryp;
4011                 /*DEBUG_U(PerlIO_printf(Perl_debug_log, "list for %"UVXf" contains %"UVXf"\n", val, SvUV(entry)));*/
4012                 if (SvUV(entry) == val) {
4013                     found_key = TRUE;
4014                 }
4015                 if (SvUV(entry) == inverse) {
4016                     found_inverse = TRUE;
4017                 }
4018
4019                 /* No need to continue searching if found everything we are
4020                  * looking for */
4021                 if (found_key && found_inverse) {
4022                     break;
4023                 }
4024             }
4025
4026             /* Make sure there is a mapping to itself on the list */
4027             if (! found_key) {
4028                 av_push(list, newSVuv(val));
4029                 /*DEBUG_U(PerlIO_printf(Perl_debug_log, "%s: %d: Adding %"UVXf" to list for %"UVXf"\n", __FILE__, __LINE__, val, val));*/
4030             }
4031
4032
4033             /* Simply add the value to the list */
4034             if (! found_inverse) {
4035                 av_push(list, newSVuv(inverse));
4036                 /*DEBUG_U(PerlIO_printf(Perl_debug_log, "%s: %d: Adding %"UVXf" to list for %"UVXf"\n", __FILE__, __LINE__, inverse, val));*/
4037             }
4038
4039             /* swatch_get() increments the value of val for each element in the
4040              * range.  That makes more compact tables possible.  You can
4041              * express the capitalization, for example, of all consecutive
4042              * letters with a single line: 0061\t007A\t0041 This maps 0061 to
4043              * 0041, 0062 to 0042, etc.  I (khw) have never understood 'none',
4044              * and it's not documented; it appears to be used only in
4045              * implementing tr//; I copied the semantics from swatch_get(), just
4046              * in case */
4047             if (!none || val < none) {
4048                 ++val;
4049             }
4050         }
4051     }
4052
4053     return ret;
4054 }
4055
4056 SV*
4057 Perl__swash_to_invlist(pTHX_ SV* const swash)
4058 {
4059
4060    /* Subject to change or removal.  For use only in one place in regcomp.c */
4061
4062     U8 *l, *lend;
4063     char *loc;
4064     STRLEN lcur;
4065     HV *const hv = MUTABLE_HV(SvRV(swash));
4066     UV elements = 0;    /* Number of elements in the inversion list */
4067     U8 empty[] = "";
4068
4069     /* The string containing the main body of the table */
4070     SV** const listsvp = hv_fetchs(hv, "LIST", FALSE);
4071     SV** const typesvp = hv_fetchs(hv, "TYPE", FALSE);
4072     SV** const bitssvp = hv_fetchs(hv, "BITS", FALSE);
4073     SV** const extssvp = hv_fetchs(hv, "EXTRAS", FALSE);
4074     SV** const invert_it_svp = hv_fetchs(hv, "INVERT_IT", FALSE);
4075
4076     const U8* const typestr = (U8*)SvPV_nolen(*typesvp);
4077     const STRLEN bits  = SvUV(*bitssvp);
4078     const STRLEN octets = bits >> 3; /* if bits == 1, then octets == 0 */
4079     U8 *x, *xend;
4080     STRLEN xcur;
4081
4082     SV* invlist;
4083
4084     PERL_ARGS_ASSERT__SWASH_TO_INVLIST;
4085
4086     /* read $swash->{LIST} */
4087     if (SvPOK(*listsvp)) {
4088         l = (U8*)SvPV(*listsvp, lcur);
4089     }
4090     else {
4091         /* LIST legitimately doesn't contain a string during compilation phases
4092          * of Perl itself, before the Unicode tables are generated.  In this
4093          * case, just fake things up by creating an empty list */
4094         l = empty;
4095         lcur = 0;
4096     }
4097     loc = (char *) l;
4098     lend = l + lcur;
4099
4100     /* Scan the input to count the number of lines to preallocate array size
4101      * based on worst possible case, which is each line in the input creates 2
4102      * elements in the inversion list: 1) the beginning of a range in the list;
4103      * 2) the beginning of a range not in the list.  */
4104     while ((loc = (strchr(loc, '\n'))) != NULL) {
4105         elements += 2;
4106         loc++;
4107     }
4108
4109     /* If the ending is somehow corrupt and isn't a new line, add another
4110      * element for the final range that isn't in the inversion list */
4111     if (! (*lend == '\n'
4112         || (*lend == '\0' && (lcur == 0 || *(lend - 1) == '\n'))))
4113     {
4114         elements++;
4115     }
4116
4117     invlist = _new_invlist(elements);
4118
4119     /* Now go through the input again, adding each range to the list */
4120     while (l < lend) {
4121         UV start, end;
4122         UV val;         /* Not used by this function */
4123
4124         l = S_swash_scan_list_line(aTHX_ l, lend, &start, &end, &val,
4125                                          cBOOL(octets), typestr);
4126
4127         if (l > lend) {
4128             break;
4129         }
4130
4131         invlist = _add_range_to_invlist(invlist, start, end);
4132     }
4133
4134     /* Invert if the data says it should be */
4135     if (invert_it_svp && SvUV(*invert_it_svp)) {
4136         _invlist_invert_prop(invlist);
4137     }
4138
4139     /* This code is copied from swatch_get()
4140      * read $swash->{EXTRAS} */
4141     x = (U8*)SvPV(*extssvp, xcur);
4142     xend = x + xcur;
4143     while (x < xend) {
4144         STRLEN namelen;
4145         U8 *namestr;
4146         SV** othersvp;
4147         HV* otherhv;
4148         STRLEN otherbits;
4149         SV **otherbitssvp, *other;
4150         U8 *nl;
4151
4152         const U8 opc = *x++;
4153         if (opc == '\n')
4154             continue;
4155
4156         nl = (U8*)memchr(x, '\n', xend - x);
4157
4158         if (opc != '-' && opc != '+' && opc != '!' && opc != '&') {
4159             if (nl) {
4160                 x = nl + 1; /* 1 is length of "\n" */
4161                 continue;
4162             }
4163             else {
4164                 x = xend; /* to EXTRAS' end at which \n is not found */
4165                 break;
4166             }
4167         }
4168
4169         namestr = x;
4170         if (nl) {
4171             namelen = nl - namestr;
4172             x = nl + 1;
4173         }
4174         else {
4175             namelen = xend - namestr;
4176             x = xend;
4177         }
4178
4179         othersvp = hv_fetch(hv, (char *)namestr, namelen, FALSE);
4180         otherhv = MUTABLE_HV(SvRV(*othersvp));
4181         otherbitssvp = hv_fetchs(otherhv, "BITS", FALSE);
4182         otherbits = (STRLEN)SvUV(*otherbitssvp);
4183
4184         if (bits != otherbits || bits != 1) {
4185             Perl_croak(aTHX_ "panic: _swash_to_invlist only operates on boolean "
4186                        "properties, bits=%"UVuf", otherbits=%"UVuf,
4187                        (UV)bits, (UV)otherbits);
4188         }
4189
4190         /* The "other" swatch must be destroyed after. */
4191         other = _swash_to_invlist((SV *)*othersvp);
4192
4193         /* End of code copied from swatch_get() */
4194         switch (opc) {
4195         case '+':
4196             _invlist_union(invlist, other, &invlist);
4197             break;
4198         case '!':
4199             _invlist_invert(other);
4200             _invlist_union(invlist, other, &invlist);
4201             break;
4202         case '-':
4203             _invlist_subtract(invlist, other, &invlist);
4204             break;
4205         case '&':
4206             _invlist_intersection(invlist, other, &invlist);
4207             break;
4208         default:
4209             break;
4210         }
4211         sv_free(other); /* through with it! */
4212     }
4213
4214     return invlist;
4215 }
4216
4217 SV*
4218 Perl__get_swash_invlist(pTHX_ SV* const swash)
4219 {
4220     SV** ptr;
4221
4222     PERL_ARGS_ASSERT__GET_SWASH_INVLIST;
4223
4224     if (! SvROK(swash)) {
4225         return NULL;
4226     }
4227
4228     /* If it really isn't a hash, it isn't really swash; must be an inversion
4229      * list */
4230     if (SvTYPE(SvRV(swash)) != SVt_PVHV) {
4231         return SvRV(swash);
4232     }
4233
4234     ptr = hv_fetchs(MUTABLE_HV(SvRV(swash)), "V", FALSE);
4235     if (! ptr) {
4236         return NULL;
4237     }
4238
4239     return *ptr;
4240 }
4241
4242 /*
4243 =for apidoc uvchr_to_utf8
4244
4245 Adds the UTF-8 representation of the Native code point C<uv> to the end
4246 of the string C<d>; C<d> should have at least C<UTF8_MAXBYTES+1> free
4247 bytes available. The return value is the pointer to the byte after the
4248 end of the new character. In other words,
4249
4250     d = uvchr_to_utf8(d, uv);
4251
4252 is the recommended wide native character-aware way of saying
4253
4254     *(d++) = uv;
4255
4256 =cut
4257 */
4258
4259 /* On ASCII machines this is normally a macro but we want a
4260    real function in case XS code wants it
4261 */
4262 U8 *
4263 Perl_uvchr_to_utf8(pTHX_ U8 *d, UV uv)
4264 {
4265     PERL_ARGS_ASSERT_UVCHR_TO_UTF8;
4266
4267     return Perl_uvuni_to_utf8_flags(aTHX_ d, NATIVE_TO_UNI(uv), 0);
4268 }
4269
4270 U8 *
4271 Perl_uvchr_to_utf8_flags(pTHX_ U8 *d, UV uv, UV flags)
4272 {
4273     PERL_ARGS_ASSERT_UVCHR_TO_UTF8_FLAGS;
4274
4275     return Perl_uvuni_to_utf8_flags(aTHX_ d, NATIVE_TO_UNI(uv), flags);
4276 }
4277
4278 /*
4279 =for apidoc utf8n_to_uvchr
4280
4281 Returns the native character value of the first character in the string
4282 C<s>
4283 which is assumed to be in UTF-8 encoding; C<retlen> will be set to the
4284 length, in bytes, of that character.
4285
4286 C<length> and C<flags> are the same as L</utf8n_to_uvuni>().
4287
4288 =cut
4289 */
4290 /* On ASCII machines this is normally a macro but we want
4291    a real function in case XS code wants it
4292 */
4293 UV
4294 Perl_utf8n_to_uvchr(pTHX_ const U8 *s, STRLEN curlen, STRLEN *retlen,
4295 U32 flags)
4296 {
4297     const UV uv = Perl_utf8n_to_uvuni(aTHX_ s, curlen, retlen, flags);
4298
4299     PERL_ARGS_ASSERT_UTF8N_TO_UVCHR;
4300
4301     return UNI_TO_NATIVE(uv);
4302 }
4303
4304 bool
4305 Perl_check_utf8_print(pTHX_ register const U8* s, const STRLEN len)
4306 {
4307     /* May change: warns if surrogates, non-character code points, or
4308      * non-Unicode code points are in s which has length len bytes.  Returns
4309      * TRUE if none found; FALSE otherwise.  The only other validity check is
4310      * to make sure that this won't exceed the string's length */
4311
4312     const U8* const e = s + len;
4313     bool ok = TRUE;
4314
4315     PERL_ARGS_ASSERT_CHECK_UTF8_PRINT;
4316
4317     while (s < e) {
4318         if (UTF8SKIP(s) > len) {
4319             Perl_ck_warner_d(aTHX_ packWARN(WARN_UTF8),
4320                            "%s in %s", unees, PL_op ? OP_DESC(PL_op) : "print");
4321             return FALSE;
4322         }
4323         if (UNLIKELY(*s >= UTF8_FIRST_PROBLEMATIC_CODE_POINT_FIRST_BYTE)) {
4324             STRLEN char_len;
4325             if (UTF8_IS_SUPER(s)) {
4326                 if (ckWARN_d(WARN_NON_UNICODE)) {
4327                     UV uv = utf8_to_uvchr_buf(s, e, &char_len);
4328                     Perl_warner(aTHX_ packWARN(WARN_NON_UNICODE),
4329                         "Code point 0x%04"UVXf" is not Unicode, may not be portable", uv);
4330                     ok = FALSE;
4331                 }
4332             }
4333             else if (UTF8_IS_SURROGATE(s)) {
4334                 if (ckWARN_d(WARN_SURROGATE)) {
4335                     UV uv = utf8_to_uvchr_buf(s, e, &char_len);
4336                     Perl_warner(aTHX_ packWARN(WARN_SURROGATE),
4337                         "Unicode surrogate U+%04"UVXf" is illegal in UTF-8", uv);
4338                     ok = FALSE;
4339                 }
4340             }
4341             else if
4342                 ((UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_PROBLEMATIC(s))
4343                  && (ckWARN_d(WARN_NONCHAR)))
4344             {
4345                 UV uv = utf8_to_uvchr_buf(s, e, &char_len);
4346                 Perl_warner(aTHX_ packWARN(WARN_NONCHAR),
4347                     "Unicode non-character U+%04"UVXf" is illegal for open interchange", uv);
4348                 ok = FALSE;
4349             }
4350         }
4351         s += UTF8SKIP(s);
4352     }
4353
4354     return ok;
4355 }
4356
4357 /*
4358 =for apidoc pv_uni_display
4359
4360 Build to the scalar C<dsv> a displayable version of the string C<spv>,
4361 length C<len>, the displayable version being at most C<pvlim> bytes long
4362 (if longer, the rest is truncated and "..." will be appended).
4363
4364 The C<flags> argument can have UNI_DISPLAY_ISPRINT set to display
4365 isPRINT()able characters as themselves, UNI_DISPLAY_BACKSLASH
4366 to display the \\[nrfta\\] as the backslashed versions (like '\n')
4367 (UNI_DISPLAY_BACKSLASH is preferred over UNI_DISPLAY_ISPRINT for \\).
4368 UNI_DISPLAY_QQ (and its alias UNI_DISPLAY_REGEX) have both
4369 UNI_DISPLAY_BACKSLASH and UNI_DISPLAY_ISPRINT turned on.
4370
4371 The pointer to the PV of the C<dsv> is returned.
4372
4373 =cut */
4374 char *
4375 Perl_pv_uni_display(pTHX_ SV *dsv, const U8 *spv, STRLEN len, STRLEN pvlim, UV flags)
4376 {
4377     int truncated = 0;
4378     const char *s, *e;
4379
4380     PERL_ARGS_ASSERT_PV_UNI_DISPLAY;
4381
4382     sv_setpvs(dsv, "");
4383     SvUTF8_off(dsv);
4384     for (s = (const char *)spv, e = s + len; s < e; s += UTF8SKIP(s)) {
4385          UV u;
4386           /* This serves double duty as a flag and a character to print after
4387              a \ when flags & UNI_DISPLAY_BACKSLASH is true.
4388           */
4389          char ok = 0;
4390
4391          if (pvlim && SvCUR(dsv) >= pvlim) {
4392               truncated++;
4393               break;
4394          }
4395          u = utf8_to_uvchr_buf((U8*)s, (U8*)e, 0);
4396          if (u < 256) {
4397              const unsigned char c = (unsigned char)u & 0xFF;
4398              if (flags & UNI_DISPLAY_BACKSLASH) {
4399                  switch (c) {
4400                  case '\n':
4401                      ok = 'n'; break;
4402                  case '\r':
4403                      ok = 'r'; break;
4404                  case '\t':
4405                      ok = 't'; break;
4406                  case '\f':
4407                      ok = 'f'; break;
4408                  case '\a':
4409                      ok = 'a'; break;
4410                  case '\\':
4411                      ok = '\\'; break;
4412                  default: break;
4413                  }
4414                  if (ok) {
4415                      const char string = ok;
4416                      sv_catpvs(dsv, "\\");
4417                      sv_catpvn(dsv, &string, 1);
4418                  }
4419              }
4420              /* isPRINT() is the locale-blind version. */
4421              if (!ok && (flags & UNI_DISPLAY_ISPRINT) && isPRINT(c)) {
4422                  const char string = c;
4423                  sv_catpvn(dsv, &string, 1);
4424                  ok = 1;
4425              }
4426          }
4427          if (!ok)
4428              Perl_sv_catpvf(aTHX_ dsv, "\\x{%"UVxf"}", u);
4429     }
4430     if (truncated)
4431          sv_catpvs(dsv, "...");
4432
4433     return SvPVX(dsv);
4434 }
4435
4436 /*
4437 =for apidoc sv_uni_display
4438
4439 Build to the scalar C<dsv> a displayable version of the scalar C<sv>,
4440 the displayable version being at most C<pvlim> bytes long
4441 (if longer, the rest is truncated and "..." will be appended).
4442
4443 The C<flags> argument is as in L</pv_uni_display>().
4444
4445 The pointer to the PV of the C<dsv> is returned.
4446
4447 =cut
4448 */
4449 char *
4450 Perl_sv_uni_display(pTHX_ SV *dsv, SV *ssv, STRLEN pvlim, UV flags)
4451 {
4452     PERL_ARGS_ASSERT_SV_UNI_DISPLAY;
4453
4454      return Perl_pv_uni_display(aTHX_ dsv, (const U8*)SvPVX_const(ssv),
4455                                 SvCUR(ssv), pvlim, flags);
4456 }
4457
4458 /*
4459 =for apidoc foldEQ_utf8
4460
4461 Returns true if the leading portions of the strings C<s1> and C<s2> (either or both
4462 of which may be in UTF-8) are the same case-insensitively; false otherwise.
4463 How far into the strings to compare is determined by other input parameters.
4464
4465 If C<u1> is true, the string C<s1> is assumed to be in UTF-8-encoded Unicode;
4466 otherwise it is assumed to be in native 8-bit encoding.  Correspondingly for C<u2>
4467 with respect to C<s2>.
4468
4469 If the byte length C<l1> is non-zero, it says how far into C<s1> to check for fold
4470 equality.  In other words, C<s1>+C<l1> will be used as a goal to reach.  The
4471 scan will not be considered to be a match unless the goal is reached, and
4472 scanning won't continue past that goal.  Correspondingly for C<l2> with respect to
4473 C<s2>.
4474
4475 If C<pe1> is non-NULL and the pointer it points to is not NULL, that pointer is
4476 considered an end pointer beyond which scanning of C<s1> will not continue under
4477 any circumstances.  This means that if both C<l1> and C<pe1> are specified, and
4478 C<pe1>
4479 is less than C<s1>+C<l1>, the match will never be successful because it can
4480 never
4481 get as far as its goal (and in fact is asserted against).  Correspondingly for
4482 C<pe2> with respect to C<s2>.
4483
4484 At least one of C<s1> and C<s2> must have a goal (at least one of C<l1> and
4485 C<l2> must be non-zero), and if both do, both have to be
4486 reached for a successful match.   Also, if the fold of a character is multiple
4487 characters, all of them must be matched (see tr21 reference below for
4488 'folding').
4489
4490 Upon a successful match, if C<pe1> is non-NULL,
4491 it will be set to point to the beginning of the I<next> character of C<s1>
4492 beyond what was matched.  Correspondingly for C<pe2> and C<s2>.
4493
4494 For case-insensitiveness, the "casefolding" of Unicode is used
4495 instead of upper/lowercasing both the characters, see
4496 L<http://www.unicode.org/unicode/reports/tr21/> (Case Mappings).
4497
4498 =cut */
4499
4500 /* A flags parameter has been added which may change, and hence isn't
4501  * externally documented.  Currently it is:
4502  *  0 for as-documented above
4503  *  FOLDEQ_UTF8_NOMIX_ASCII meaning that if a non-ASCII character folds to an
4504                             ASCII one, to not match
4505  *  FOLDEQ_UTF8_LOCALE      meaning that locale rules are to be used for code
4506  *                          points below 256; unicode rules for above 255; and
4507  *                          folds that cross those boundaries are disallowed,
4508  *                          like the NOMIX_ASCII option
4509  *  FOLDEQ_S1_ALREADY_FOLDED s1 has already been folded before calling this
4510  *                           routine.  This allows that step to be skipped.
4511  *  FOLDEQ_S2_ALREADY_FOLDED   Similarly.
4512  */
4513 I32
4514 Perl_foldEQ_utf8_flags(pTHX_ const char *s1, char **pe1, register UV l1, bool u1, const char *s2, char **pe2, register UV l2, bool u2, U32 flags)
4515 {
4516     dVAR;
4517     const U8 *p1  = (const U8*)s1; /* Point to current char */
4518     const U8 *p2  = (const U8*)s2;
4519     const U8 *g1 = NULL;       /* goal for s1 */
4520     const U8 *g2 = NULL;
4521     const U8 *e1 = NULL;       /* Don't scan s1 past this */
4522     U8 *f1 = NULL;             /* Point to current folded */
4523     const U8 *e2 = NULL;
4524     U8 *f2 = NULL;
4525     STRLEN n1 = 0, n2 = 0;              /* Number of bytes in current char */
4526     U8 foldbuf1[UTF8_MAXBYTES_CASE+1];
4527     U8 foldbuf2[UTF8_MAXBYTES_CASE+1];
4528
4529     PERL_ARGS_ASSERT_FOLDEQ_UTF8_FLAGS;
4530
4531     /* The algorithm requires that input with the flags on the first line of
4532      * the assert not be pre-folded. */
4533     assert( ! ((flags & (FOLDEQ_UTF8_NOMIX_ASCII | FOLDEQ_UTF8_LOCALE))
4534         && (flags & (FOLDEQ_S1_ALREADY_FOLDED | FOLDEQ_S2_ALREADY_FOLDED))));
4535
4536     if (pe1) {
4537         e1 = *(U8**)pe1;
4538     }
4539
4540     if (l1) {
4541         g1 = (const U8*)s1 + l1;
4542     }
4543
4544     if (pe2) {
4545         e2 = *(U8**)pe2;
4546     }
4547
4548     if (l2) {
4549         g2 = (const U8*)s2 + l2;
4550     }
4551
4552     /* Must have at least one goal */
4553     assert(g1 || g2);
4554
4555     if (g1) {
4556
4557         /* Will never match if goal is out-of-bounds */
4558         assert(! e1  || e1 >= g1);
4559
4560         /* Here, there isn't an end pointer, or it is beyond the goal.  We
4561         * only go as far as the goal */
4562         e1 = g1;
4563     }
4564     else {
4565         assert(e1);    /* Must have an end for looking at s1 */
4566     }
4567
4568     /* Same for goal for s2 */
4569     if (g2) {
4570         assert(! e2  || e2 >= g2);
4571         e2 = g2;
4572     }
4573     else {
4574         assert(e2);
4575     }
4576
4577     /* If both operands are already folded, we could just do a memEQ on the
4578      * whole strings at once, but it would be better if the caller realized
4579      * this and didn't even call us */
4580
4581     /* Look through both strings, a character at a time */
4582     while (p1 < e1 && p2 < e2) {
4583
4584         /* If at the beginning of a new character in s1, get its fold to use
4585          * and the length of the fold.  (exception: locale rules just get the
4586          * character to a single byte) */
4587         if (n1 == 0) {
4588             if (flags & FOLDEQ_S1_ALREADY_FOLDED) {
4589                 f1 = (U8 *) p1;
4590                 n1 = UTF8SKIP(f1);
4591             }
4592
4593             else {
4594                 /* If in locale matching, we use two sets of rules, depending
4595                  * on if the code point is above or below 255.  Here, we test
4596                  * for and handle locale rules */
4597                 if ((flags & FOLDEQ_UTF8_LOCALE)
4598                     && (! u1 || UTF8_IS_INVARIANT(*p1)
4599                         || UTF8_IS_DOWNGRADEABLE_START(*p1)))
4600                 {
4601                     /* There is no mixing of code points above and below 255. */
4602                     if (u2 && (! UTF8_IS_INVARIANT(*p2)
4603                         && ! UTF8_IS_DOWNGRADEABLE_START(*p2)))
4604                     {
4605                         return 0;
4606                     }
4607
4608                     /* We handle locale rules by converting, if necessary, the
4609                      * code point to a single byte. */
4610                     if (! u1 || UTF8_IS_INVARIANT(*p1)) {
4611                         *foldbuf1 = *p1;
4612                     }
4613                     else {
4614                         *foldbuf1 = TWO_BYTE_UTF8_TO_UNI(*p1, *(p1 + 1));
4615                     }
4616                     n1 = 1;
4617                 }
4618                 else if (isASCII(*p1)) {    /* Note, that here won't be both
4619                                                ASCII and using locale rules */
4620
4621                     /* If trying to mix non- with ASCII, and not supposed to,
4622                      * fail */
4623                     if ((flags & FOLDEQ_UTF8_NOMIX_ASCII) && ! isASCII(*p2)) {
4624                         return 0;
4625                     }
4626                     n1 = 1;
4627                     *foldbuf1 = toLOWER(*p1);   /* Folds in the ASCII range are
4628                                                    just lowercased */
4629                 }
4630                 else if (u1) {
4631                     to_utf8_fold(p1, foldbuf1, &n1);
4632                 }
4633                 else {  /* Not utf8, get utf8 fold */
4634                     to_uni_fold(NATIVE_TO_UNI(*p1), foldbuf1, &n1);
4635                 }
4636                 f1 = foldbuf1;
4637             }
4638         }
4639
4640         if (n2 == 0) {    /* Same for s2 */
4641             if (flags & FOLDEQ_S2_ALREADY_FOLDED) {
4642                 f2 = (U8 *) p2;
4643                 n2 = UTF8SKIP(f2);
4644             }
4645             else {
4646                 if ((flags & FOLDEQ_UTF8_LOCALE)
4647                     && (! u2 || UTF8_IS_INVARIANT(*p2) || UTF8_IS_DOWNGRADEABLE_START(*p2)))
4648                 {
4649                     /* Here, the next char in s2 is < 256.  We've already
4650                      * worked on s1, and if it isn't also < 256, can't match */
4651                     if (u1 && (! UTF8_IS_INVARIANT(*p1)
4652                         && ! UTF8_IS_DOWNGRADEABLE_START(*p1)))
4653                     {
4654                         return 0;
4655                     }
4656                     if (! u2 || UTF8_IS_INVARIANT(*p2)) {
4657                         *foldbuf2 = *p2;
4658                     }
4659                     else {
4660                         *foldbuf2 = TWO_BYTE_UTF8_TO_UNI(*p2, *(p2 + 1));
4661                     }
4662
4663                     /* Use another function to handle locale rules.  We've made
4664                      * sure that both characters to compare are single bytes */
4665                     if (! foldEQ_locale((char *) f1, (char *) foldbuf2, 1)) {
4666                         return 0;
4667                     }
4668                     n1 = n2 = 0;
4669                 }
4670                 else if (isASCII(*p2)) {
4671                     if ((flags & FOLDEQ_UTF8_NOMIX_ASCII) && ! isASCII(*p1)) {
4672                         return 0;
4673                     }
4674                     n2 = 1;
4675                     *foldbuf2 = toLOWER(*p2);
4676                 }
4677                 else if (u2) {
4678                     to_utf8_fold(p2, foldbuf2, &n2);
4679                 }
4680                 else {
4681                     to_uni_fold(NATIVE_TO_UNI(*p2), foldbuf2, &n2);
4682                 }
4683                 f2 = foldbuf2;
4684             }
4685         }
4686
4687         /* Here f1 and f2 point to the beginning of the strings to compare.
4688          * These strings are the folds of the next character from each input
4689          * string, stored in utf8. */
4690
4691         /* While there is more to look for in both folds, see if they
4692         * continue to match */
4693         while (n1 && n2) {
4694             U8 fold_length = UTF8SKIP(f1);
4695             if (fold_length != UTF8SKIP(f2)
4696                 || (fold_length == 1 && *f1 != *f2) /* Short circuit memNE
4697                                                        function call for single
4698                                                        byte */
4699                 || memNE((char*)f1, (char*)f2, fold_length))
4700             {
4701                 return 0; /* mismatch */
4702             }
4703
4704             /* Here, they matched, advance past them */
4705             n1 -= fold_length;
4706             f1 += fold_length;
4707             n2 -= fold_length;
4708             f2 += fold_length;
4709         }
4710
4711         /* When reach the end of any fold, advance the input past it */
4712         if (n1 == 0) {
4713             p1 += u1 ? UTF8SKIP(p1) : 1;
4714         }
4715         if (n2 == 0) {
4716             p2 += u2 ? UTF8SKIP(p2) : 1;
4717         }
4718     } /* End of loop through both strings */
4719
4720     /* A match is defined by each scan that specified an explicit length
4721     * reaching its final goal, and the other not having matched a partial
4722     * character (which can happen when the fold of a character is more than one
4723     * character). */
4724     if (! ((g1 == 0 || p1 == g1) && (g2 == 0 || p2 == g2)) || n1 || n2) {
4725         return 0;
4726     }
4727
4728     /* Successful match.  Set output pointers */
4729     if (pe1) {
4730         *pe1 = (char*)p1;
4731     }
4732     if (pe2) {
4733         *pe2 = (char*)p2;
4734     }
4735     return 1;
4736 }
4737
4738 /*
4739  * Local variables:
4740  * c-indentation-style: bsd