perldelta: close setting $! is a bugfix
[perl.git] / utfebcdic.h
1 /*    utfebcdic.h
2  *
3  *    Copyright (C) 2001, 2002, 2003, 2005, 2006, 2007, 2009,
4  *    2010, 2011 by Larry Wall, Nick Ing-Simmons, 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  * Macros to implement UTF-EBCDIC as perl's internal encoding
10  * Adapted from version 7.1 of Unicode Technical Report #16:
11  *  http://www.unicode.org/unicode/reports/tr16
12  *
13  * To summarize, the way it works is:
14  * To convert an EBCDIC character to UTF-EBCDIC:
15  *  1)  convert to Unicode.  The table in the generated file 'ebcdic_tables.h'
16  *      that does this for EBCDIC bytes is PL_e2a (with inverse PL_a2e).  The
17  *      'a' stands for ASCII platform, meaning latin1.
18  *  2)  convert that to a utf8-like string called I8 ('I' stands for
19  *      intermediate) with variant characters occupying multiple bytes.  This
20  *      step is similar to the utf8-creating step from Unicode, but the details
21  *      are different.  This transformation is called UTF8-Mod.  There is a
22  *      chart about the bit patterns in a comment later in this file.  But
23  *      essentially here are the differences:
24  *                          UTF8                I8
25  *      invariant byte      starts with 0       starts with 0 or 100
26  *      continuation byte   starts with 10      starts with 101
27  *      start byte          same in both: if the code point requires N bytes,
28  *                          then the leading N bits are 1, followed by a 0.  (No
29  *                          trailing 0 for the very largest possible allocation
30  *                          in I8, far beyond the current Unicode standard's
31  *                          max, as shown in the comment later in this file.)
32  *  3)  Use the algorithm in tr16 to convert each byte from step 2 into
33  *      final UTF-EBCDIC.  This is done by table lookup from a table
34  *      constructed from the algorithm, reproduced in ebcdic_tables.h as
35  *      PL_utf2e, with its inverse being PL_e2utf.  They are constructed so that
36  *      all EBCDIC invariants remain invariant, but no others do, and the first
37  *      byte of a variant will always have its upper bit set.  But note that
38  *      the upper bit of some invariants is also 1.
39  *
40  *  For example, the ordinal value of 'A' is 193 in EBCDIC, and also is 193 in
41  *  UTF-EBCDIC.  Step 1) converts it to 65, Step 2 leaves it at 65, and Step 3
42  *  converts it back to 193.  As an example of how a variant character works,
43  *  take LATIN SMALL LETTER Y WITH DIAERESIS, which is typically 0xDF in
44  *  EBCDIC.  Step 1 converts it to the Unicode value, 0xFF.  Step 2 converts
45  *  that to two bytes = 11000111 10111111 = C7 BF, and Step 3 converts those to
46  *  0x8B 0x73.
47  *
48  * If you're starting from Unicode, skip step 1.  For UTF-EBCDIC to straight
49  * EBCDIC, reverse the steps.
50  *
51  * The EBCDIC invariants have been chosen to be those characters whose Unicode
52  * equivalents have ordinal numbers less than 160, that is the same characters
53  * that are expressible in ASCII, plus the C1 controls.  So there are 160
54  * invariants instead of the 128 in UTF-8.
55  *
56  * The purpose of Step 3 is to make the encoding be invariant for the chosen
57  * characters.  This messes up the convenient patterns found in step 2, so
58  * generally, one has to undo step 3 into a temporary to use them.  However,
59  * one "shadow", or parallel table, PL_utf8skip, has been constructed that
60  * doesn't require undoing things.  It is such that for each byte, it says
61  * how long the sequence is if that (UTF-EBCDIC) byte were to begin it
62  *
63  * There are actually 3 slightly different UTF-EBCDIC encodings in
64  * ebcdic_tables.h, one for each of the code pages recognized by Perl.  That
65  * means that there are actually three different sets of tables, one for each
66  * code page.  (If Perl is compiled on platforms using another EBCDIC code
67  * page, it may not compile, or Perl may silently mistake it for one of the
68  * three.)
69  *
70  * Note that tr16 actually only specifies one version of UTF-EBCDIC, based on
71  * the 1047 encoding, and which is supposed to be used for all code pages.
72  * But this doesn't work.  To illustrate the problem, consider the '^' character.
73  * On a 037 code page it is the single byte 176, whereas under 1047 UTF-EBCDIC
74  * it is the single byte 95.  If Perl implemented tr16 exactly, it would mean
75  * that changing a string containing '^' to UTF-EBCDIC would change that '^'
76  * from 176 to 95 (and vice-versa), violating the rule that ASCII-range
77  * characters are the same in UTF-8 or not.  Much code in Perl assumes this
78  * rule.  See for example
79  * http://grokbase.com/t/perl/mvs/025xf0yhmn/utf-ebcdic-for-posix-bc-malformed-utf-8-character
80  * What Perl does is create a version of UTF-EBCDIC suited to each code page;
81  * the one for the 1047 code page is identical to what's specified in tr16.
82  * This complicates interchanging files between computers using different code
83  * pages.  Best is to convert to I8 before sending them, as the I8
84  * representation is the same no matter what the underlying code page is.
85  *
86  * Because of the way UTF-EBCDIC is constructed, the lowest 32 code points that
87  * aren't equivalent to ASCII characters nor C1 controls form the set of
88  * continuation bytes; the remaining 64 non-ASCII, non-control code points form
89  * the potential start bytes, in order.  (However, the first 5 of these lead to
90  * malformed overlongs, so there really are only 59 start bytes.) Hence the
91  * UTF-EBCDIC for the smallest variant code point, 0x160, will have likely 0x41
92  * as its continuation byte, provided 0x41 isn't an ASCII or C1 equivalent.
93  * And its start byte will be the code point that is 37 (32+5) non-ASCII,
94  * non-control code points past it.  (0 - 3F are controls, and 40 is SPACE,
95  * leaving 41 as the first potentially available one.)  In contrast, on ASCII
96  * platforms, the first 64 (not 32) non-ASCII code points are the continuation
97  * bytes.  And the first 2 (not 5) potential start bytes form overlong
98  * malformed sequences.
99  *
100  * EBCDIC characters above 0xFF are the same as Unicode in Perl's
101  * implementation of all 3 encodings, so for those Step 1 is trivial.
102  *
103  * (Note that the entries for invariant characters are necessarily the same in
104  * PL_e2a and PL_e2utf; likewise for their inverses.)
105  *
106  * UTF-EBCDIC strings are the same length or longer than UTF-8 representations
107  * of the same string.  The maximum code point representable as 2 bytes in
108  * UTF-EBCDIC is 0x3FFF, instead of 0x7FFF in UTF-8.
109  */
110
111 START_EXTERN_C
112
113 #ifdef DOINIT
114
115 #include "ebcdic_tables.h"
116
117 #else
118 EXTCONST U8 PL_utf8skip[];
119 EXTCONST U8 PL_e2utf[];
120 EXTCONST U8 PL_utf2e[];
121 EXTCONST U8 PL_e2a[];
122 EXTCONST U8 PL_a2e[];
123 EXTCONST U8 PL_fold[];
124 EXTCONST U8 PL_fold_latin1[];
125 EXTCONST U8 PL_latin1_lc[];
126 EXTCONST U8 PL_mod_latin1_uc[];
127 #endif
128
129 END_EXTERN_C
130
131 /* EBCDIC-happy ways of converting native code to UTF-8 */
132
133 #define NATIVE_TO_LATIN1(ch)            PL_e2a[(U8)(ch)]
134 #define LATIN1_TO_NATIVE(ch)            PL_a2e[(U8)(ch)]
135
136 #define NATIVE_UTF8_TO_I8(ch)           PL_e2utf[(U8)(ch)]
137 #define I8_TO_NATIVE_UTF8(ch)           PL_utf2e[(U8)(ch)]
138
139 /* Transforms in wide UV chars */
140 #define NATIVE_TO_UNI(ch)        (((ch) > 255) ? (ch) : NATIVE_TO_LATIN1(ch))
141 #define UNI_TO_NATIVE(ch)        (((ch) > 255) ? (ch) : LATIN1_TO_NATIVE(ch))
142
143 /*
144   The following table is adapted from tr16, it shows I8 encoding of Unicode code points.
145
146         Unicode                             Bit pattern 1st Byte 2nd Byte 3rd Byte 4th Byte 5th Byte 6th Byte 7th byte
147     U+0000..U+007F                     000000000xxxxxxx 0xxxxxxx
148     U+0080..U+009F                     00000000100xxxxx 100xxxxx
149     U+00A0..U+03FF                     000000yyyyyxxxxx 110yyyyy 101xxxxx
150     U+0400..U+3FFF                     00zzzzyyyyyxxxxx 1110zzzz 101yyyyy 101xxxxx
151     U+4000..U+3FFFF                 0wwwzzzzzyyyyyxxxxx 11110www 101zzzzz 101yyyyy 101xxxxx
152    U+40000..U+3FFFFF            0vvwwwwwzzzzzyyyyyxxxxx 111110vv 101wwwww 101zzzzz 101yyyyy 101xxxxx
153   U+400000..U+3FFFFFF       0uvvvvvwwwwwzzzzzyyyyyxxxxx 1111110u 101vvvvv 101wwwww 101zzzzz 101yyyyy 101xxxxx
154  U+4000000..U+7FFFFFFF 0tuuuuuvvvvvwwwwwzzzzzyyyyyxxxxx 1111111t 101uuuuu 101vvvvv 101wwwww 101zzzzz 101yyyyy 101xxxxx
155
156   Note: The I8 transformation is valid for UCS-4 values X'0' to
157   X'7FFFFFFF' (the full extent of ISO/IEC 10646 coding space).
158
159  */
160
161 /* Input is a true Unicode (not-native) code point */
162 #define OFFUNISKIP(uv) ( (uv) < 0xA0        ? 1 : \
163                       (uv) < 0x400          ? 2 : \
164                       (uv) < 0x4000         ? 3 : \
165                       (uv) < 0x40000        ? 4 : \
166                       (uv) < 0x400000       ? 5 : \
167                       (uv) < 0x4000000      ? 6 : 7 )
168
169 #define UNI_IS_INVARIANT(c)             (((UV)(c)) <  0xA0)
170
171 /* UTF-EBCDIC semantic macros - transform back into I8 and then compare
172  * Comments as to the meaning of each are given at their corresponding utf8.h
173  * definitions */
174
175 #define UTF8_IS_START(c)                (NATIVE_UTF8_TO_I8(c) >= 0xC5     \
176                                          && NATIVE_UTF8_TO_I8(c) != 0xE0)
177 #define UTF8_IS_CONTINUATION(c)         ((NATIVE_UTF8_TO_I8(c) & 0xE0) == 0xA0)
178 #define UTF8_IS_CONTINUED(c)            (NATIVE_UTF8_TO_I8(c) >= 0xA0)
179
180 #define UTF8_IS_DOWNGRADEABLE_START(c)  (NATIVE_UTF8_TO_I8(c) >= 0xC5     \
181                                          && NATIVE_UTF8_TO_I8(c) <= 0xC7)
182 /* Saying it this way adds a runtime test, but removes 2 run-time lookups */
183 /*#define UTF8_IS_DOWNGRADEABLE_START(c)  ((c) == I8_TO_NATIVE_UTF8(0xC5)     \
184                                          || (c) == I8_TO_NATIVE_UTF8(0xC6)  \
185                                          || (c) == I8_TO_NATIVE_UTF8(0xC7))
186 */
187 #define UTF8_IS_ABOVE_LATIN1(c) (NATIVE_UTF8_TO_I8(c) >= 0xC8)
188
189 /* Can't exceed 7 on EBCDIC platforms */
190 #define UTF_START_MARK(len) (0xFF & (0xFE << (7-(len))))
191
192 #define UTF_START_MASK(len) (((len) >= 6) ? 0x01 : (0x1F >> ((len)-2)))
193 #define UTF_CONTINUATION_MARK           0xA0
194 #define UTF_CONTINUATION_MASK           ((U8)0x1f)
195 #define UTF_ACCUMULATION_SHIFT          5
196
197 /* How wide can a single UTF-8 encoded character become in bytes. */
198 /* NOTE: Strictly speaking Perl's UTF-8 should not be called UTF-8 since UTF-8
199  * is an encoding of Unicode, and Unicode's upper limit, 0x10FFFF, can be
200  * expressed with 5 bytes.  However, Perl thinks of UTF-8 as a way to encode
201  * non-negative integers in a binary format, even those above Unicode */
202 #define UTF8_MAXBYTES 7
203
204 /* The maximum number of UTF-8 bytes a single Unicode character can
205  * uppercase/lowercase/fold into.  Unicode guarantees that the maximum
206  * expansion is 3 characters.  On EBCDIC platforms, the highest Unicode
207  * character occupies 5 bytes, therefore this number is 15 */
208 #define UTF8_MAXBYTES_CASE      15
209
210 /* ^? is defined to be APC on EBCDIC systems.  See the definition of toCTRL()
211  * for more */
212 #define QUESTION_MARK_CTRL   LATIN1_TO_NATIVE(0x9F)
213
214 #define MAX_UTF8_TWO_BYTE 0x3FF
215
216 /*
217  * ex: set ts=8 sts=4 sw=4 et:
218  */