regen/overload.pl should use rename_if_different() for lib/overload/numbers.pm
[perl.git] / utf8.c
1 /*    utf8.c
2  *
3  *    Copyright (C) 2000, 2001, 2002, 2003, 2004, 2005, 2006, 2007, 2008
4  *    by Larry Wall and others
5  *
6  *    You may distribute under the terms of either the GNU General Public
7  *    License or the Artistic License, as specified in the README file.
8  *
9  */
10
11 /*
12  * 'What a fix!' said Sam.  'That's the one place in all the lands we've ever
13  *  heard of that we don't want to see any closer; and that's the one place
14  *  we're trying to get to!  And that's just where we can't get, nohow.'
15  *
16  *     [p.603 of _The Lord of the Rings_, IV/I: "The Taming of Sm�agol"]
17  *
18  * 'Well do I understand your speech,' he answered in the same language;
19  * 'yet few strangers do so.  Why then do you not speak in the Common Tongue,
20  *  as is the custom in the West, if you wish to be answered?'
21  *                           --Gandalf, addressing Th�oden's door wardens
22  *
23  *     [p.508 of _The Lord of the Rings_, III/vi: "The King of the Golden Hall"]
24  *
25  * ...the travellers perceived that the floor was paved with stones of many
26  * hues; branching runes and strange devices intertwined beneath their feet.
27  *
28  *     [p.512 of _The Lord of the Rings_, III/vi: "The King of the Golden Hall"]
29  */
30
31 #include "EXTERN.h"
32 #define PERL_IN_UTF8_C
33 #include "perl.h"
34
35 #ifndef EBCDIC
36 /* Separate prototypes needed because in ASCII systems these are
37  * usually macros but they still are compiled as code, too. */
38 PERL_CALLCONV UV        Perl_utf8n_to_uvchr(pTHX_ const U8 *s, STRLEN curlen, STRLEN *retlen, U32 flags);
39 PERL_CALLCONV U8*       Perl_uvchr_to_utf8(pTHX_ U8 *d, UV uv);
40 #endif
41
42 static const char unees[] =
43     "Malformed UTF-8 character (unexpected end of string)";
44
45 /*
46 =head1 Unicode Support
47
48 This file contains various utility functions for manipulating UTF8-encoded
49 strings. For the uninitiated, this is a method of representing arbitrary
50 Unicode characters as a variable number of bytes, in such a way that
51 characters in the ASCII range are unmodified, and a zero byte never appears
52 within non-zero characters.
53
54 =cut
55 */
56
57 /*
58 =for apidoc is_ascii_string
59
60 Returns true if the first C<len> bytes of the given string are the same whether
61 or not the string is encoded in UTF-8 (or UTF-EBCDIC on EBCDIC machines).  That
62 is, if they are invariant.  On ASCII-ish machines, only ASCII characters
63 fit this definition, hence the function's name.
64
65 If C<len> is 0, it will be calculated using C<strlen(s)>.  
66
67 See also is_utf8_string(), is_utf8_string_loclen(), and is_utf8_string_loc().
68
69 =cut
70 */
71
72 bool
73 Perl_is_ascii_string(const U8 *s, STRLEN len)
74 {
75     const U8* const send = s + (len ? len : strlen((const char *)s));
76     const U8* x = s;
77
78     PERL_ARGS_ASSERT_IS_ASCII_STRING;
79
80     for (; x < send; ++x) {
81         if (!UTF8_IS_INVARIANT(*x))
82             break;
83     }
84
85     return x == send;
86 }
87
88 /*
89 =for apidoc uvuni_to_utf8_flags
90
91 Adds the UTF-8 representation of the code point C<uv> to the end
92 of the string C<d>; C<d> should have at least C<UTF8_MAXBYTES+1> free
93 bytes available. The return value is the pointer to the byte after the
94 end of the new character. In other words,
95
96     d = uvuni_to_utf8_flags(d, uv, flags);
97
98 or, in most cases,
99
100     d = uvuni_to_utf8(d, uv);
101
102 (which is equivalent to)
103
104     d = uvuni_to_utf8_flags(d, uv, 0);
105
106 This is the recommended Unicode-aware way of saying
107
108     *(d++) = uv;
109
110 This function will convert to UTF-8 (and not warn) even code points that aren't
111 legal Unicode or are problematic, unless C<flags> contains one or more of the
112 following flags.
113 If C<uv> is a Unicode surrogate code point and UNICODE_WARN_SURROGATE is set,
114 the function will raise a warning, provided UTF8 warnings are enabled.  If instead
115 UNICODE_DISALLOW_SURROGATE is set, the function will fail and return NULL.
116 If both flags are set, the function will both warn and return NULL.
117
118 The UNICODE_WARN_NONCHAR and UNICODE_DISALLOW_NONCHAR flags correspondingly
119 affect how the function handles a Unicode non-character.  And, likewise for the
120 UNICODE_WARN_SUPER and UNICODE_DISALLOW_SUPER flags, and code points that are
121 above the Unicode maximum of 0x10FFFF.  Code points above 0x7FFF_FFFF (which are
122 even less portable) can be warned and/or disallowed even if other above-Unicode
123 code points are accepted by the UNICODE_WARN_FE_FF and UNICODE_DISALLOW_FE_FF
124 flags.
125
126 And finally, the flag UNICODE_WARN_ILLEGAL_INTERCHANGE selects all four of the
127 above WARN flags; and UNICODE_DISALLOW_ILLEGAL_INTERCHANGE selects all four
128 DISALLOW flags.
129
130
131 =cut
132 */
133
134 U8 *
135 Perl_uvuni_to_utf8_flags(pTHX_ U8 *d, UV uv, UV flags)
136 {
137     PERL_ARGS_ASSERT_UVUNI_TO_UTF8_FLAGS;
138
139     if (ckWARN_d(WARN_UTF8)) {
140         if (UNICODE_IS_SURROGATE(uv)) {
141             if (flags & UNICODE_WARN_SURROGATE) {
142                 Perl_warner(aTHX_ packWARN(WARN_UTF8),
143                                             "UTF-16 surrogate U+%04"UVXf, uv);
144             }
145             if (flags & UNICODE_DISALLOW_SURROGATE) {
146                 return NULL;
147             }
148         }
149         else if (UNICODE_IS_SUPER(uv)) {
150             if (flags & UNICODE_WARN_SUPER
151                 || (UNICODE_IS_FE_FF(uv) && (flags & UNICODE_WARN_FE_FF)))
152             {
153                 Perl_warner(aTHX_ packWARN(WARN_UTF8),
154                           "Code point 0x%04"UVXf" is not Unicode, may not be portable", uv);
155             }
156             if (flags & UNICODE_DISALLOW_SUPER
157                 || (UNICODE_IS_FE_FF(uv) && (flags & UNICODE_DISALLOW_FE_FF)))
158             {
159                 return NULL;
160             }
161         }
162         else if (UNICODE_IS_NONCHAR(uv)) {
163             if (flags & UNICODE_WARN_NONCHAR) {
164                 Perl_warner(aTHX_ packWARN(WARN_UTF8),
165                  "Unicode non-character U+%04"UVXf" is illegal for open interchange",
166                  uv);
167             }
168             if (flags & UNICODE_DISALLOW_NONCHAR) {
169                 return NULL;
170             }
171         }
172     }
173     if (UNI_IS_INVARIANT(uv)) {
174         *d++ = (U8)UTF_TO_NATIVE(uv);
175         return d;
176     }
177 #if defined(EBCDIC)
178     else {
179         STRLEN len  = UNISKIP(uv);
180         U8 *p = d+len-1;
181         while (p > d) {
182             *p-- = (U8)UTF_TO_NATIVE((uv & UTF_CONTINUATION_MASK) | UTF_CONTINUATION_MARK);
183             uv >>= UTF_ACCUMULATION_SHIFT;
184         }
185         *p = (U8)UTF_TO_NATIVE((uv & UTF_START_MASK(len)) | UTF_START_MARK(len));
186         return d+len;
187     }
188 #else /* Non loop style */
189     if (uv < 0x800) {
190         *d++ = (U8)(( uv >>  6)         | 0xc0);
191         *d++ = (U8)(( uv        & 0x3f) | 0x80);
192         return d;
193     }
194     if (uv < 0x10000) {
195         *d++ = (U8)(( uv >> 12)         | 0xe0);
196         *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
197         *d++ = (U8)(( uv        & 0x3f) | 0x80);
198         return d;
199     }
200     if (uv < 0x200000) {
201         *d++ = (U8)(( uv >> 18)         | 0xf0);
202         *d++ = (U8)(((uv >> 12) & 0x3f) | 0x80);
203         *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
204         *d++ = (U8)(( uv        & 0x3f) | 0x80);
205         return d;
206     }
207     if (uv < 0x4000000) {
208         *d++ = (U8)(( uv >> 24)         | 0xf8);
209         *d++ = (U8)(((uv >> 18) & 0x3f) | 0x80);
210         *d++ = (U8)(((uv >> 12) & 0x3f) | 0x80);
211         *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
212         *d++ = (U8)(( uv        & 0x3f) | 0x80);
213         return d;
214     }
215     if (uv < 0x80000000) {
216         *d++ = (U8)(( uv >> 30)         | 0xfc);
217         *d++ = (U8)(((uv >> 24) & 0x3f) | 0x80);
218         *d++ = (U8)(((uv >> 18) & 0x3f) | 0x80);
219         *d++ = (U8)(((uv >> 12) & 0x3f) | 0x80);
220         *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
221         *d++ = (U8)(( uv        & 0x3f) | 0x80);
222         return d;
223     }
224 #ifdef HAS_QUAD
225     if (uv < UTF8_QUAD_MAX)
226 #endif
227     {
228         *d++ =                            0xfe; /* Can't match U+FEFF! */
229         *d++ = (U8)(((uv >> 30) & 0x3f) | 0x80);
230         *d++ = (U8)(((uv >> 24) & 0x3f) | 0x80);
231         *d++ = (U8)(((uv >> 18) & 0x3f) | 0x80);
232         *d++ = (U8)(((uv >> 12) & 0x3f) | 0x80);
233         *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
234         *d++ = (U8)(( uv        & 0x3f) | 0x80);
235         return d;
236     }
237 #ifdef HAS_QUAD
238     {
239         *d++ =                            0xff;         /* Can't match U+FFFE! */
240         *d++ =                            0x80;         /* 6 Reserved bits */
241         *d++ = (U8)(((uv >> 60) & 0x0f) | 0x80);        /* 2 Reserved bits */
242         *d++ = (U8)(((uv >> 54) & 0x3f) | 0x80);
243         *d++ = (U8)(((uv >> 48) & 0x3f) | 0x80);
244         *d++ = (U8)(((uv >> 42) & 0x3f) | 0x80);
245         *d++ = (U8)(((uv >> 36) & 0x3f) | 0x80);
246         *d++ = (U8)(((uv >> 30) & 0x3f) | 0x80);
247         *d++ = (U8)(((uv >> 24) & 0x3f) | 0x80);
248         *d++ = (U8)(((uv >> 18) & 0x3f) | 0x80);
249         *d++ = (U8)(((uv >> 12) & 0x3f) | 0x80);
250         *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
251         *d++ = (U8)(( uv        & 0x3f) | 0x80);
252         return d;
253     }
254 #endif
255 #endif /* Loop style */
256 }
257
258 /*
259
260 Tests if some arbitrary number of bytes begins in a valid UTF-8
261 character.  Note that an INVARIANT (i.e. ASCII) character is a valid
262 UTF-8 character.  The actual number of bytes in the UTF-8 character
263 will be returned if it is valid, otherwise 0.
264
265 This is the "slow" version as opposed to the "fast" version which is
266 the "unrolled" IS_UTF8_CHAR().  E.g. for t/uni/class.t the speed
267 difference is a factor of 2 to 3.  For lengths (UTF8SKIP(s)) of four
268 or less you should use the IS_UTF8_CHAR(), for lengths of five or more
269 you should use the _slow().  In practice this means that the _slow()
270 will be used very rarely, since the maximum Unicode code point (as of
271 Unicode 4.1) is U+10FFFF, which encodes in UTF-8 to four bytes.  Only
272 the "Perl extended UTF-8" (the infamous 'v-strings') will encode into
273 five bytes or more.
274
275 =cut */
276 STATIC STRLEN
277 S_is_utf8_char_slow(const U8 *s, const STRLEN len)
278 {
279     U8 u = *s;
280     STRLEN slen;
281     UV uv, ouv;
282
283     PERL_ARGS_ASSERT_IS_UTF8_CHAR_SLOW;
284
285     if (UTF8_IS_INVARIANT(u))
286         return 1;
287
288     if (!UTF8_IS_START(u))
289         return 0;
290
291     if (len < 2 || !UTF8_IS_CONTINUATION(s[1]))
292         return 0;
293
294     slen = len - 1;
295     s++;
296 #ifdef EBCDIC
297     u = NATIVE_TO_UTF(u);
298 #endif
299     u &= UTF_START_MASK(len);
300     uv  = u;
301     ouv = uv;
302     while (slen--) {
303         if (!UTF8_IS_CONTINUATION(*s))
304             return 0;
305         uv = UTF8_ACCUMULATE(uv, *s);
306         if (uv < ouv)
307             return 0;
308         ouv = uv;
309         s++;
310     }
311
312     if ((STRLEN)UNISKIP(uv) < len)
313         return 0;
314
315     return len;
316 }
317
318 /*
319 =for apidoc is_utf8_char
320
321 Tests if some arbitrary number of bytes begins in a valid UTF-8
322 character.  Note that an INVARIANT (i.e. ASCII on non-EBCDIC machines)
323 character is a valid UTF-8 character.  The actual number of bytes in the UTF-8
324 character will be returned if it is valid, otherwise 0.
325
326 =cut */
327 STRLEN
328 Perl_is_utf8_char(const U8 *s)
329 {
330     const STRLEN len = UTF8SKIP(s);
331
332     PERL_ARGS_ASSERT_IS_UTF8_CHAR;
333 #ifdef IS_UTF8_CHAR
334     if (IS_UTF8_CHAR_FAST(len))
335         return IS_UTF8_CHAR(s, len) ? len : 0;
336 #endif /* #ifdef IS_UTF8_CHAR */
337     return is_utf8_char_slow(s, len);
338 }
339
340
341 /*
342 =for apidoc is_utf8_string
343
344 Returns true if first C<len> bytes of the given string form a valid
345 UTF-8 string, false otherwise.  If C<len> is 0, it will be calculated
346 using C<strlen(s)>.  Note that 'a valid UTF-8 string' does not mean 'a
347 string that contains code points above 0x7F encoded in UTF-8' because a
348 valid ASCII string is a valid UTF-8 string.
349
350 See also is_ascii_string(), is_utf8_string_loclen(), and is_utf8_string_loc().
351
352 =cut
353 */
354
355 bool
356 Perl_is_utf8_string(const U8 *s, STRLEN len)
357 {
358     const U8* const send = s + (len ? len : strlen((const char *)s));
359     const U8* x = s;
360
361     PERL_ARGS_ASSERT_IS_UTF8_STRING;
362
363     while (x < send) {
364         STRLEN c;
365          /* Inline the easy bits of is_utf8_char() here for speed... */
366          if (UTF8_IS_INVARIANT(*x))
367               c = 1;
368          else if (!UTF8_IS_START(*x))
369              goto out;
370          else {
371               /* ... and call is_utf8_char() only if really needed. */
372 #ifdef IS_UTF8_CHAR
373              c = UTF8SKIP(x);
374              if (IS_UTF8_CHAR_FAST(c)) {
375                  if (!IS_UTF8_CHAR(x, c))
376                      c = 0;
377              }
378              else
379                 c = is_utf8_char_slow(x, c);
380 #else
381              c = is_utf8_char(x);
382 #endif /* #ifdef IS_UTF8_CHAR */
383               if (!c)
384                   goto out;
385          }
386         x += c;
387     }
388
389  out:
390     if (x != send)
391         return FALSE;
392
393     return TRUE;
394 }
395
396 /*
397 Implemented as a macro in utf8.h
398
399 =for apidoc is_utf8_string_loc
400
401 Like is_utf8_string() but stores the location of the failure (in the
402 case of "utf8ness failure") or the location s+len (in the case of
403 "utf8ness success") in the C<ep>.
404
405 See also is_utf8_string_loclen() and is_utf8_string().
406
407 =for apidoc is_utf8_string_loclen
408
409 Like is_utf8_string() but stores the location of the failure (in the
410 case of "utf8ness failure") or the location s+len (in the case of
411 "utf8ness success") in the C<ep>, and the number of UTF-8
412 encoded characters in the C<el>.
413
414 See also is_utf8_string_loc() and is_utf8_string().
415
416 =cut
417 */
418
419 bool
420 Perl_is_utf8_string_loclen(const U8 *s, STRLEN len, const U8 **ep, STRLEN *el)
421 {
422     const U8* const send = s + (len ? len : strlen((const char *)s));
423     const U8* x = s;
424     STRLEN c;
425     STRLEN outlen = 0;
426
427     PERL_ARGS_ASSERT_IS_UTF8_STRING_LOCLEN;
428
429     while (x < send) {
430          /* Inline the easy bits of is_utf8_char() here for speed... */
431          if (UTF8_IS_INVARIANT(*x))
432              c = 1;
433          else if (!UTF8_IS_START(*x))
434              goto out;
435          else {
436              /* ... and call is_utf8_char() only if really needed. */
437 #ifdef IS_UTF8_CHAR
438              c = UTF8SKIP(x);
439              if (IS_UTF8_CHAR_FAST(c)) {
440                  if (!IS_UTF8_CHAR(x, c))
441                      c = 0;
442              } else
443                  c = is_utf8_char_slow(x, c);
444 #else
445              c = is_utf8_char(x);
446 #endif /* #ifdef IS_UTF8_CHAR */
447              if (!c)
448                  goto out;
449          }
450          x += c;
451          outlen++;
452     }
453
454  out:
455     if (el)
456         *el = outlen;
457
458     if (ep)
459         *ep = x;
460     return (x == send);
461 }
462
463 /*
464
465 =for apidoc utf8n_to_uvuni
466
467 Bottom level UTF-8 decode routine.
468 Returns the code point value of the first character in the string C<s>
469 which is assumed to be in UTF-8 (or UTF-EBCDIC) encoding and no longer than
470 C<curlen> bytes; C<retlen> will be set to the length, in bytes, of that
471 character.
472
473 The value of C<flags> determines the behavior when C<s> does not point to a
474 well-formed UTF-8 character.  If C<flags> is 0, when a malformation is found,
475 C<retlen> is set to the expected length of the UTF-8 character in bytes, zero
476 is returned, and if UTF-8 warnings haven't been lexically disabled, a warning
477 is raised.
478
479 Various ALLOW flags can be set in C<flags> to allow (and not warn on)
480 individual types of malformations, such as the sequence being overlong (that
481 is, when there is a shorter sequence that can express the same code point;
482 overlong sequences are expressly forbidden in the UTF-8 standard due to
483 potential security issues).  Another malformation example is the first byte of
484 a character not being a legal first byte.  See F<utf8.h> for the list of such
485 flags.  Of course, the value returned by this function under such conditions is
486 not reliable.
487
488 The UTF8_CHECK_ONLY flag overrides the behavior when a non-allowed (by other
489 flags) malformation is found.  If this flag is set, the routine assumes that
490 the caller will raise a warning, and this function will silently just set
491 C<retlen> to C<-1> and return zero.
492
493 Certain code points are considered problematic.  These are Unicode surrogates,
494 Unicode non-characters, and code points above the Unicode maximum of 0x10FFF.
495 By default these are considered regular code points, but certain situations
496 warrant special handling for them.  if C<flags> contains
497 UTF8_DISALLOW_ILLEGAL_INTERCHANGE, all three classes are treated as
498 malformations and handled as such.  The flags UTF8_DISALLOW_SURROGATE,
499 UTF8_DISALLOW_NONCHAR, and UTF8_DISALLOW_SUPER (meaning above the legal Unicode
500 maximum) can be set to disallow these categories individually.
501
502 The flags UTF8_WARN_ILLEGAL_INTERCHANGE, UTF8_WARN_SURROGATE,
503 UTF8_WARN_NONCHAR, and UTF8_WARN_SUPER will cause warning messages to be raised
504 for their respective categories, but otherwise the code points are considered
505 valid (not malformations).  To get a category to both be treated as a
506 malformation and raise a warning, specify both the WARN and DISALLOW flags.
507 (But note that warnings are not raised if lexically disabled nor if
508 UTF8_CHECK_ONLY is also specified.)
509
510 Very large code points (above 0x7FFF_FFFF) are considered more problematic than
511 the others that are above the Unicode legal maximum.  There are several
512 reasons, one of which is that the original UTF-8 specification never went above
513 this number (the current 0x10FFF limit was imposed later).  The UTF-8 encoding
514 on ASCII platforms for these large code point begins with a byte containing
515 0xFE or 0xFF.  The UTF8_DISALLOW_FE_FF flag will cause them to be treated as
516 malformations, while allowing smaller above-Unicode code points.  (Of course
517 UTF8_DISALLOW_SUPER will treat all above-Unicode code points, including these,
518 as malformations.) Similarly, UTF8_WARN_FE_FF acts just like the other WARN
519 flags, but applies just to these code points.
520
521 All other code points corresponding to Unicode characters, including private
522 use and those yet to be assigned, are never considered malformed and never
523 warn.
524
525 Most code should use utf8_to_uvchr() rather than call this directly.
526
527 =cut
528 */
529
530 UV
531 Perl_utf8n_to_uvuni(pTHX_ const U8 *s, STRLEN curlen, STRLEN *retlen, U32 flags)
532 {
533     dVAR;
534     const U8 * const s0 = s;
535     UV uv = *s, ouv = 0;
536     STRLEN len = 1;
537     bool dowarn = ckWARN_d(WARN_UTF8);
538     const UV startbyte = *s;
539     STRLEN expectlen = 0;
540     U32 warning = 0;
541     SV* sv = NULL;
542
543     PERL_ARGS_ASSERT_UTF8N_TO_UVUNI;
544
545 /* This list is a superset of the UTF8_ALLOW_XXX. */
546
547 #define UTF8_WARN_EMPTY                          1
548 #define UTF8_WARN_CONTINUATION                   2
549 #define UTF8_WARN_NON_CONTINUATION               3
550 #define UTF8_WARN_SHORT                          4
551 #define UTF8_WARN_OVERFLOW                       5
552 #define UTF8_WARN_LONG                           6
553
554     if (curlen == 0 &&
555         !(flags & UTF8_ALLOW_EMPTY)) {
556         warning = UTF8_WARN_EMPTY;
557         goto malformed;
558     }
559
560     if (UTF8_IS_INVARIANT(uv)) {
561         if (retlen)
562             *retlen = 1;
563         return (UV) (NATIVE_TO_UTF(*s));
564     }
565
566     if (UTF8_IS_CONTINUATION(uv) &&
567         !(flags & UTF8_ALLOW_CONTINUATION)) {
568         warning = UTF8_WARN_CONTINUATION;
569         goto malformed;
570     }
571
572     if (UTF8_IS_START(uv) && curlen > 1 && !UTF8_IS_CONTINUATION(s[1]) &&
573         !(flags & UTF8_ALLOW_NON_CONTINUATION)) {
574         warning = UTF8_WARN_NON_CONTINUATION;
575         goto malformed;
576     }
577
578 #ifdef EBCDIC
579     uv = NATIVE_TO_UTF(uv);
580 #else
581     if (uv == 0xfe || uv == 0xff) {
582         if (flags & (UTF8_WARN_SUPER|UTF8_WARN_FE_FF)) {
583             sv = sv_2mortal(Perl_newSVpvf(aTHX_ "Code point beginning with byte 0x%02"UVXf" is not Unicode, and not portable", uv));
584             flags &= ~UTF8_WARN_SUPER;  /* Only warn once on this problem */
585         }
586         if (flags & (UTF8_DISALLOW_SUPER|UTF8_DISALLOW_FE_FF)) {
587             goto malformed;
588         }
589     }
590 #endif
591
592     if      (!(uv & 0x20))      { len =  2; uv &= 0x1f; }
593     else if (!(uv & 0x10))      { len =  3; uv &= 0x0f; }
594     else if (!(uv & 0x08))      { len =  4; uv &= 0x07; }
595     else if (!(uv & 0x04))      { len =  5; uv &= 0x03; }
596 #ifdef EBCDIC
597     else if (!(uv & 0x02))      { len =  6; uv &= 0x01; }
598     else                        { len =  7; uv &= 0x01; }
599 #else
600     else if (!(uv & 0x02))      { len =  6; uv &= 0x01; }
601     else if (!(uv & 0x01))      { len =  7; uv = 0; }
602     else                        { len = 13; uv = 0; } /* whoa! */
603 #endif
604
605     if (retlen)
606         *retlen = len;
607
608     expectlen = len;
609
610     if ((curlen < expectlen) &&
611         !(flags & UTF8_ALLOW_SHORT)) {
612         warning = UTF8_WARN_SHORT;
613         goto malformed;
614     }
615
616     len--;
617     s++;
618     ouv = uv;   /* ouv is the value from the previous iteration */
619
620     while (len--) {
621         if (!UTF8_IS_CONTINUATION(*s) &&
622             !(flags & UTF8_ALLOW_NON_CONTINUATION)) {
623             s--;
624             warning = UTF8_WARN_NON_CONTINUATION;
625             goto malformed;
626         }
627         else
628             uv = UTF8_ACCUMULATE(uv, *s);
629         if (!(uv > ouv)) {  /* If the value didn't grow from the previous
630                                iteration, something is horribly wrong */
631             /* These cannot be allowed. */
632             if (uv == ouv) {
633                 if (expectlen != 13 && !(flags & UTF8_ALLOW_LONG)) {
634                     warning = UTF8_WARN_LONG;
635                     goto malformed;
636                 }
637             }
638             else { /* uv < ouv */
639                 /* This cannot be allowed. */
640                 warning = UTF8_WARN_OVERFLOW;
641                 goto malformed;
642             }
643         }
644         s++;
645         ouv = uv;
646     }
647
648     if ((expectlen > (STRLEN)UNISKIP(uv)) && !(flags & UTF8_ALLOW_LONG)) {
649         warning = UTF8_WARN_LONG;
650         goto malformed;
651     } else if (flags & (UTF8_DISALLOW_ILLEGAL_INTERCHANGE|UTF8_WARN_ILLEGAL_INTERCHANGE)) {
652         if (UNICODE_IS_SURROGATE(uv)) {
653             if ((flags & (UTF8_WARN_SURROGATE|UTF8_CHECK_ONLY)) == UTF8_WARN_SURROGATE) {
654                 sv = sv_2mortal(Perl_newSVpvf(aTHX_ "UTF-16 surrogate U+%04"UVXf"", uv));
655             }
656             if (flags & UTF8_DISALLOW_SURROGATE) {
657                 goto disallowed;
658             }
659         }
660         else if (UNICODE_IS_NONCHAR(uv)) {
661             if ((flags & (UTF8_WARN_NONCHAR|UTF8_CHECK_ONLY)) == UTF8_WARN_NONCHAR ) {
662                 sv = sv_2mortal(Perl_newSVpvf(aTHX_ "Unicode non-character U+%04"UVXf" is illegal for open interchange", uv));
663             }
664             if (flags & UTF8_DISALLOW_NONCHAR) {
665                 goto disallowed;
666             }
667         }
668         else if ((uv > PERL_UNICODE_MAX)) {
669             if ((flags & (UTF8_WARN_SUPER|UTF8_CHECK_ONLY)) == UTF8_WARN_SUPER) {
670                 sv = sv_2mortal(Perl_newSVpvf(aTHX_ "Code point 0x%04"UVXf" is not Unicode, may not be portable", uv));
671             }
672             if (flags & UTF8_DISALLOW_SUPER) {
673                 goto disallowed;
674             }
675         }
676
677         /* Here, this is not considered a malformed character, so drop through
678          * to return it */
679     }
680
681     return uv;
682
683 disallowed: /* Is disallowed, but otherwise not malformed.  'sv' will have been
684                set if there is to be a warning. */
685     if (!sv) {
686         dowarn = 0;
687     }
688
689 malformed:
690
691     if (flags & UTF8_CHECK_ONLY) {
692         if (retlen)
693             *retlen = ((STRLEN) -1);
694         return 0;
695     }
696
697     if (dowarn) {
698         if (! sv) {
699             sv = newSVpvs_flags("Malformed UTF-8 character ", SVs_TEMP);
700         }
701
702         switch (warning) {
703             case 0: /* Intentionally empty. */ break;
704             case UTF8_WARN_EMPTY:
705                 sv_catpvs(sv, "(empty string)");
706                 break;
707             case UTF8_WARN_CONTINUATION:
708                 Perl_sv_catpvf(aTHX_ sv, "(unexpected continuation byte 0x%02"UVxf", with no preceding start byte)", uv);
709                 break;
710             case UTF8_WARN_NON_CONTINUATION:
711                 if (s == s0)
712                     Perl_sv_catpvf(aTHX_ sv, "(unexpected non-continuation byte 0x%02"UVxf", immediately after start byte 0x%02"UVxf")",
713                                 (UV)s[1], startbyte);
714                 else {
715                     const int len = (int)(s-s0);
716                     Perl_sv_catpvf(aTHX_ sv, "(unexpected non-continuation byte 0x%02"UVxf", %d byte%s after start byte 0x%02"UVxf", expected %d bytes)",
717                                 (UV)s[1], len, len > 1 ? "s" : "", startbyte, (int)expectlen);
718                 }
719
720                 break;
721             case UTF8_WARN_SHORT:
722                 Perl_sv_catpvf(aTHX_ sv, "(%d byte%s, need %d, after start byte 0x%02"UVxf")",
723                                 (int)curlen, curlen == 1 ? "" : "s", (int)expectlen, startbyte);
724                 expectlen = curlen;             /* distance for caller to skip */
725                 break;
726             case UTF8_WARN_OVERFLOW:
727                 Perl_sv_catpvf(aTHX_ sv, "(overflow at 0x%"UVxf", byte 0x%02x, after start byte 0x%02"UVxf")",
728                                 ouv, *s, startbyte);
729                 break;
730             case UTF8_WARN_LONG:
731                 Perl_sv_catpvf(aTHX_ sv, "(%d byte%s, need %d, after start byte 0x%02"UVxf")",
732                                 (int)expectlen, expectlen == 1 ? "": "s", UNISKIP(uv), startbyte);
733                 break;
734             default:
735                 sv_catpvs(sv, "(unknown reason)");
736                 break;
737         }
738         
739         if (sv) {
740             const char * const s = SvPVX_const(sv);
741
742             if (PL_op)
743                 Perl_warner(aTHX_ packWARN(WARN_UTF8),
744                             "%s in %s", s,  OP_DESC(PL_op));
745             else
746                 Perl_warner(aTHX_ packWARN(WARN_UTF8), "%s", s);
747         }
748     }
749
750     if (retlen)
751         *retlen = expectlen ? expectlen : len;
752
753     return 0;
754 }
755
756 /*
757 =for apidoc utf8_to_uvchr
758
759 Returns the native code point of the first character in the string C<s>
760 which is assumed to be in UTF-8 encoding; C<retlen> will be set to the
761 length, in bytes, of that character.
762
763 If C<s> does not point to a well-formed UTF-8 character, zero is
764 returned and retlen is set, if possible, to -1.
765
766 =cut
767 */
768
769
770 UV
771 Perl_utf8_to_uvchr(pTHX_ const U8 *s, STRLEN *retlen)
772 {
773     PERL_ARGS_ASSERT_UTF8_TO_UVCHR;
774
775     return utf8n_to_uvchr(s, UTF8_MAXBYTES, retlen,
776                           ckWARN_d(WARN_UTF8) ? 0 : UTF8_ALLOW_ANY);
777 }
778
779 /*
780 =for apidoc utf8_to_uvuni
781
782 Returns the Unicode code point of the first character in the string C<s>
783 which is assumed to be in UTF-8 encoding; C<retlen> will be set to the
784 length, in bytes, of that character.
785
786 This function should only be used when the returned UV is considered
787 an index into the Unicode semantic tables (e.g. swashes).
788
789 If C<s> does not point to a well-formed UTF-8 character, zero is
790 returned and retlen is set, if possible, to -1.
791
792 =cut
793 */
794
795 UV
796 Perl_utf8_to_uvuni(pTHX_ const U8 *s, STRLEN *retlen)
797 {
798     PERL_ARGS_ASSERT_UTF8_TO_UVUNI;
799
800     /* Call the low level routine asking for checks */
801     return Perl_utf8n_to_uvuni(aTHX_ s, UTF8_MAXBYTES, retlen,
802                                ckWARN_d(WARN_UTF8) ? 0 : UTF8_ALLOW_ANY);
803 }
804
805 /*
806 =for apidoc utf8_length
807
808 Return the length of the UTF-8 char encoded string C<s> in characters.
809 Stops at C<e> (inclusive).  If C<e E<lt> s> or if the scan would end
810 up past C<e>, croaks.
811
812 =cut
813 */
814
815 STRLEN
816 Perl_utf8_length(pTHX_ const U8 *s, const U8 *e)
817 {
818     dVAR;
819     STRLEN len = 0;
820
821     PERL_ARGS_ASSERT_UTF8_LENGTH;
822
823     /* Note: cannot use UTF8_IS_...() too eagerly here since e.g.
824      * the bitops (especially ~) can create illegal UTF-8.
825      * In other words: in Perl UTF-8 is not just for Unicode. */
826
827     if (e < s)
828         goto warn_and_return;
829     while (s < e) {
830         if (!UTF8_IS_INVARIANT(*s))
831             s += UTF8SKIP(s);
832         else
833             s++;
834         len++;
835     }
836
837     if (e != s) {
838         len--;
839         warn_and_return:
840         if (PL_op)
841             Perl_ck_warner_d(aTHX_ packWARN(WARN_UTF8),
842                              "%s in %s", unees, OP_DESC(PL_op));
843         else
844             Perl_ck_warner_d(aTHX_ packWARN(WARN_UTF8), unees);
845     }
846
847     return len;
848 }
849
850 /*
851 =for apidoc utf8_distance
852
853 Returns the number of UTF-8 characters between the UTF-8 pointers C<a>
854 and C<b>.
855
856 WARNING: use only if you *know* that the pointers point inside the
857 same UTF-8 buffer.
858
859 =cut
860 */
861
862 IV
863 Perl_utf8_distance(pTHX_ const U8 *a, const U8 *b)
864 {
865     PERL_ARGS_ASSERT_UTF8_DISTANCE;
866
867     return (a < b) ? -1 * (IV) utf8_length(a, b) : (IV) utf8_length(b, a);
868 }
869
870 /*
871 =for apidoc utf8_hop
872
873 Return the UTF-8 pointer C<s> displaced by C<off> characters, either
874 forward or backward.
875
876 WARNING: do not use the following unless you *know* C<off> is within
877 the UTF-8 data pointed to by C<s> *and* that on entry C<s> is aligned
878 on the first byte of character or just after the last byte of a character.
879
880 =cut
881 */
882
883 U8 *
884 Perl_utf8_hop(pTHX_ const U8 *s, I32 off)
885 {
886     PERL_ARGS_ASSERT_UTF8_HOP;
887
888     PERL_UNUSED_CONTEXT;
889     /* Note: cannot use UTF8_IS_...() too eagerly here since e.g
890      * the bitops (especially ~) can create illegal UTF-8.
891      * In other words: in Perl UTF-8 is not just for Unicode. */
892
893     if (off >= 0) {
894         while (off--)
895             s += UTF8SKIP(s);
896     }
897     else {
898         while (off++) {
899             s--;
900             while (UTF8_IS_CONTINUATION(*s))
901                 s--;
902         }
903     }
904     return (U8 *)s;
905 }
906
907 /*
908 =for apidoc bytes_cmp_utf8
909
910 Compares the sequence of characters (stored as octets) in b, blen with the
911 sequence of characters (stored as UTF-8) in u, ulen. Returns 0 if they are
912 equal, -1 or -2 if the first string is less than the second string, +1 or +2
913 if the first string is greater than the second string.
914
915 -1 or +1 is returned if the shorter string was identical to the start of the
916 longer string. -2 or +2 is returned if the was a difference between characters
917 within the strings.
918
919 =cut
920 */
921
922 int
923 Perl_bytes_cmp_utf8(pTHX_ const U8 *b, STRLEN blen, const U8 *u, STRLEN ulen)
924 {
925     const U8 *const bend = b + blen;
926     const U8 *const uend = u + ulen;
927
928     PERL_ARGS_ASSERT_BYTES_CMP_UTF8;
929
930     PERL_UNUSED_CONTEXT;
931
932     while (b < bend && u < uend) {
933         U8 c = *u++;
934         if (!UTF8_IS_INVARIANT(c)) {
935             if (UTF8_IS_DOWNGRADEABLE_START(c)) {
936                 if (u < uend) {
937                     U8 c1 = *u++;
938                     if (UTF8_IS_CONTINUATION(c1)) {
939                         c = UNI_TO_NATIVE(TWO_BYTE_UTF8_TO_UNI(c, c1));
940                     } else {
941                         Perl_ck_warner_d(aTHX_ packWARN(WARN_UTF8),
942                                          "Malformed UTF-8 character "
943                                          "(unexpected non-continuation byte 0x%02x"
944                                          ", immediately after start byte 0x%02x)"
945                                          /* Dear diag.t, it's in the pod.  */
946                                          "%s%s", c1, c,
947                                          PL_op ? " in " : "",
948                                          PL_op ? OP_DESC(PL_op) : "");
949                         return -2;
950                     }
951                 } else {
952                     if (PL_op)
953                         Perl_ck_warner_d(aTHX_ packWARN(WARN_UTF8),
954                                          "%s in %s", unees, OP_DESC(PL_op));
955                     else
956                         Perl_ck_warner_d(aTHX_ packWARN(WARN_UTF8), unees);
957                     return -2; /* Really want to return undef :-)  */
958                 }
959             } else {
960                 return -2;
961             }
962         }
963         if (*b != c) {
964             return *b < c ? -2 : +2;
965         }
966         ++b;
967     }
968
969     if (b == bend && u == uend)
970         return 0;
971
972     return b < bend ? +1 : -1;
973 }
974
975 /*
976 =for apidoc utf8_to_bytes
977
978 Converts a string C<s> of length C<len> from UTF-8 into native byte encoding.
979 Unlike C<bytes_to_utf8>, this over-writes the original string, and
980 updates len to contain the new length.
981 Returns zero on failure, setting C<len> to -1.
982
983 If you need a copy of the string, see C<bytes_from_utf8>.
984
985 =cut
986 */
987
988 U8 *
989 Perl_utf8_to_bytes(pTHX_ U8 *s, STRLEN *len)
990 {
991     U8 * const save = s;
992     U8 * const send = s + *len;
993     U8 *d;
994
995     PERL_ARGS_ASSERT_UTF8_TO_BYTES;
996
997     /* ensure valid UTF-8 and chars < 256 before updating string */
998     while (s < send) {
999         U8 c = *s++;
1000
1001         if (!UTF8_IS_INVARIANT(c) &&
1002             (!UTF8_IS_DOWNGRADEABLE_START(c) || (s >= send)
1003              || !(c = *s++) || !UTF8_IS_CONTINUATION(c))) {
1004             *len = ((STRLEN) -1);
1005             return 0;
1006         }
1007     }
1008
1009     d = s = save;
1010     while (s < send) {
1011         STRLEN ulen;
1012         *d++ = (U8)utf8_to_uvchr(s, &ulen);
1013         s += ulen;
1014     }
1015     *d = '\0';
1016     *len = d - save;
1017     return save;
1018 }
1019
1020 /*
1021 =for apidoc bytes_from_utf8
1022
1023 Converts a string C<s> of length C<len> from UTF-8 into native byte encoding.
1024 Unlike C<utf8_to_bytes> but like C<bytes_to_utf8>, returns a pointer to
1025 the newly-created string, and updates C<len> to contain the new
1026 length.  Returns the original string if no conversion occurs, C<len>
1027 is unchanged. Do nothing if C<is_utf8> points to 0. Sets C<is_utf8> to
1028 0 if C<s> is converted or consisted entirely of characters that are invariant
1029 in utf8 (i.e., US-ASCII on non-EBCDIC machines).
1030
1031 =cut
1032 */
1033
1034 U8 *
1035 Perl_bytes_from_utf8(pTHX_ const U8 *s, STRLEN *len, bool *is_utf8)
1036 {
1037     U8 *d;
1038     const U8 *start = s;
1039     const U8 *send;
1040     I32 count = 0;
1041
1042     PERL_ARGS_ASSERT_BYTES_FROM_UTF8;
1043
1044     PERL_UNUSED_CONTEXT;
1045     if (!*is_utf8)
1046         return (U8 *)start;
1047
1048     /* ensure valid UTF-8 and chars < 256 before converting string */
1049     for (send = s + *len; s < send;) {
1050         U8 c = *s++;
1051         if (!UTF8_IS_INVARIANT(c)) {
1052             if (UTF8_IS_DOWNGRADEABLE_START(c) && s < send &&
1053                 (c = *s++) && UTF8_IS_CONTINUATION(c))
1054                 count++;
1055             else
1056                 return (U8 *)start;
1057         }
1058     }
1059
1060     *is_utf8 = FALSE;
1061
1062     Newx(d, (*len) - count + 1, U8);
1063     s = start; start = d;
1064     while (s < send) {
1065         U8 c = *s++;
1066         if (!UTF8_IS_INVARIANT(c)) {
1067             /* Then it is two-byte encoded */
1068             c = UNI_TO_NATIVE(TWO_BYTE_UTF8_TO_UNI(c, *s++));
1069         }
1070         *d++ = c;
1071     }
1072     *d = '\0';
1073     *len = d - start;
1074     return (U8 *)start;
1075 }
1076
1077 /*
1078 =for apidoc bytes_to_utf8
1079
1080 Converts a string C<s> of length C<len> bytes from the native encoding into
1081 UTF-8.
1082 Returns a pointer to the newly-created string, and sets C<len> to
1083 reflect the new length in bytes.
1084
1085 A NUL character will be written after the end of the string.
1086
1087 If you want to convert to UTF-8 from encodings other than
1088 the native (Latin1 or EBCDIC),
1089 see sv_recode_to_utf8().
1090
1091 =cut
1092 */
1093
1094 U8*
1095 Perl_bytes_to_utf8(pTHX_ const U8 *s, STRLEN *len)
1096 {
1097     const U8 * const send = s + (*len);
1098     U8 *d;
1099     U8 *dst;
1100
1101     PERL_ARGS_ASSERT_BYTES_TO_UTF8;
1102     PERL_UNUSED_CONTEXT;
1103
1104     Newx(d, (*len) * 2 + 1, U8);
1105     dst = d;
1106
1107     while (s < send) {
1108         const UV uv = NATIVE_TO_ASCII(*s++);
1109         if (UNI_IS_INVARIANT(uv))
1110             *d++ = (U8)UTF_TO_NATIVE(uv);
1111         else {
1112             *d++ = (U8)UTF8_EIGHT_BIT_HI(uv);
1113             *d++ = (U8)UTF8_EIGHT_BIT_LO(uv);
1114         }
1115     }
1116     *d = '\0';
1117     *len = d-dst;
1118     return dst;
1119 }
1120
1121 /*
1122  * Convert native (big-endian) or reversed (little-endian) UTF-16 to UTF-8.
1123  *
1124  * Destination must be pre-extended to 3/2 source.  Do not use in-place.
1125  * We optimize for native, for obvious reasons. */
1126
1127 U8*
1128 Perl_utf16_to_utf8(pTHX_ U8* p, U8* d, I32 bytelen, I32 *newlen)
1129 {
1130     U8* pend;
1131     U8* dstart = d;
1132
1133     PERL_ARGS_ASSERT_UTF16_TO_UTF8;
1134
1135     if (bytelen & 1)
1136         Perl_croak(aTHX_ "panic: utf16_to_utf8: odd bytelen %"UVuf, (UV)bytelen);
1137
1138     pend = p + bytelen;
1139
1140     while (p < pend) {
1141         UV uv = (p[0] << 8) + p[1]; /* UTF-16BE */
1142         p += 2;
1143         if (uv < 0x80) {
1144 #ifdef EBCDIC
1145             *d++ = UNI_TO_NATIVE(uv);
1146 #else
1147             *d++ = (U8)uv;
1148 #endif
1149             continue;
1150         }
1151         if (uv < 0x800) {
1152             *d++ = (U8)(( uv >>  6)         | 0xc0);
1153             *d++ = (U8)(( uv        & 0x3f) | 0x80);
1154             continue;
1155         }
1156         if (uv >= 0xd800 && uv <= 0xdbff) {     /* surrogates */
1157             if (p >= pend) {
1158                 Perl_croak(aTHX_ "Malformed UTF-16 surrogate");
1159             } else {
1160                 UV low = (p[0] << 8) + p[1];
1161                 p += 2;
1162                 if (low < 0xdc00 || low > 0xdfff)
1163                     Perl_croak(aTHX_ "Malformed UTF-16 surrogate");
1164                 uv = ((uv - 0xd800) << 10) + (low - 0xdc00) + 0x10000;
1165             }
1166         } else if (uv >= 0xdc00 && uv <= 0xdfff) {
1167             Perl_croak(aTHX_ "Malformed UTF-16 surrogate");
1168         }
1169         if (uv < 0x10000) {
1170             *d++ = (U8)(( uv >> 12)         | 0xe0);
1171             *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
1172             *d++ = (U8)(( uv        & 0x3f) | 0x80);
1173             continue;
1174         }
1175         else {
1176             *d++ = (U8)(( uv >> 18)         | 0xf0);
1177             *d++ = (U8)(((uv >> 12) & 0x3f) | 0x80);
1178             *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
1179             *d++ = (U8)(( uv        & 0x3f) | 0x80);
1180             continue;
1181         }
1182     }
1183     *newlen = d - dstart;
1184     return d;
1185 }
1186
1187 /* Note: this one is slightly destructive of the source. */
1188
1189 U8*
1190 Perl_utf16_to_utf8_reversed(pTHX_ U8* p, U8* d, I32 bytelen, I32 *newlen)
1191 {
1192     U8* s = (U8*)p;
1193     U8* const send = s + bytelen;
1194
1195     PERL_ARGS_ASSERT_UTF16_TO_UTF8_REVERSED;
1196
1197     if (bytelen & 1)
1198         Perl_croak(aTHX_ "panic: utf16_to_utf8_reversed: odd bytelen %"UVuf,
1199                    (UV)bytelen);
1200
1201     while (s < send) {
1202         const U8 tmp = s[0];
1203         s[0] = s[1];
1204         s[1] = tmp;
1205         s += 2;
1206     }
1207     return utf16_to_utf8(p, d, bytelen, newlen);
1208 }
1209
1210 /* for now these are all defined (inefficiently) in terms of the utf8 versions */
1211
1212 bool
1213 Perl_is_uni_alnum(pTHX_ UV c)
1214 {
1215     U8 tmpbuf[UTF8_MAXBYTES+1];
1216     uvchr_to_utf8(tmpbuf, c);
1217     return is_utf8_alnum(tmpbuf);
1218 }
1219
1220 bool
1221 Perl_is_uni_idfirst(pTHX_ UV c)
1222 {
1223     U8 tmpbuf[UTF8_MAXBYTES+1];
1224     uvchr_to_utf8(tmpbuf, c);
1225     return is_utf8_idfirst(tmpbuf);
1226 }
1227
1228 bool
1229 Perl_is_uni_alpha(pTHX_ UV c)
1230 {
1231     U8 tmpbuf[UTF8_MAXBYTES+1];
1232     uvchr_to_utf8(tmpbuf, c);
1233     return is_utf8_alpha(tmpbuf);
1234 }
1235
1236 bool
1237 Perl_is_uni_ascii(pTHX_ UV c)
1238 {
1239     U8 tmpbuf[UTF8_MAXBYTES+1];
1240     uvchr_to_utf8(tmpbuf, c);
1241     return is_utf8_ascii(tmpbuf);
1242 }
1243
1244 bool
1245 Perl_is_uni_space(pTHX_ UV c)
1246 {
1247     U8 tmpbuf[UTF8_MAXBYTES+1];
1248     uvchr_to_utf8(tmpbuf, c);
1249     return is_utf8_space(tmpbuf);
1250 }
1251
1252 bool
1253 Perl_is_uni_digit(pTHX_ UV c)
1254 {
1255     U8 tmpbuf[UTF8_MAXBYTES+1];
1256     uvchr_to_utf8(tmpbuf, c);
1257     return is_utf8_digit(tmpbuf);
1258 }
1259
1260 bool
1261 Perl_is_uni_upper(pTHX_ UV c)
1262 {
1263     U8 tmpbuf[UTF8_MAXBYTES+1];
1264     uvchr_to_utf8(tmpbuf, c);
1265     return is_utf8_upper(tmpbuf);
1266 }
1267
1268 bool
1269 Perl_is_uni_lower(pTHX_ UV c)
1270 {
1271     U8 tmpbuf[UTF8_MAXBYTES+1];
1272     uvchr_to_utf8(tmpbuf, c);
1273     return is_utf8_lower(tmpbuf);
1274 }
1275
1276 bool
1277 Perl_is_uni_cntrl(pTHX_ UV c)
1278 {
1279     U8 tmpbuf[UTF8_MAXBYTES+1];
1280     uvchr_to_utf8(tmpbuf, c);
1281     return is_utf8_cntrl(tmpbuf);
1282 }
1283
1284 bool
1285 Perl_is_uni_graph(pTHX_ UV c)
1286 {
1287     U8 tmpbuf[UTF8_MAXBYTES+1];
1288     uvchr_to_utf8(tmpbuf, c);
1289     return is_utf8_graph(tmpbuf);
1290 }
1291
1292 bool
1293 Perl_is_uni_print(pTHX_ UV c)
1294 {
1295     U8 tmpbuf[UTF8_MAXBYTES+1];
1296     uvchr_to_utf8(tmpbuf, c);
1297     return is_utf8_print(tmpbuf);
1298 }
1299
1300 bool
1301 Perl_is_uni_punct(pTHX_ UV c)
1302 {
1303     U8 tmpbuf[UTF8_MAXBYTES+1];
1304     uvchr_to_utf8(tmpbuf, c);
1305     return is_utf8_punct(tmpbuf);
1306 }
1307
1308 bool
1309 Perl_is_uni_xdigit(pTHX_ UV c)
1310 {
1311     U8 tmpbuf[UTF8_MAXBYTES_CASE+1];
1312     uvchr_to_utf8(tmpbuf, c);
1313     return is_utf8_xdigit(tmpbuf);
1314 }
1315
1316 UV
1317 Perl_to_uni_upper(pTHX_ UV c, U8* p, STRLEN *lenp)
1318 {
1319     PERL_ARGS_ASSERT_TO_UNI_UPPER;
1320
1321     uvchr_to_utf8(p, c);
1322     return to_utf8_upper(p, p, lenp);
1323 }
1324
1325 UV
1326 Perl_to_uni_title(pTHX_ UV c, U8* p, STRLEN *lenp)
1327 {
1328     PERL_ARGS_ASSERT_TO_UNI_TITLE;
1329
1330     uvchr_to_utf8(p, c);
1331     return to_utf8_title(p, p, lenp);
1332 }
1333
1334 UV
1335 Perl_to_uni_lower(pTHX_ UV c, U8* p, STRLEN *lenp)
1336 {
1337     PERL_ARGS_ASSERT_TO_UNI_LOWER;
1338
1339     uvchr_to_utf8(p, c);
1340     return to_utf8_lower(p, p, lenp);
1341 }
1342
1343 UV
1344 Perl_to_uni_fold(pTHX_ UV c, U8* p, STRLEN *lenp)
1345 {
1346     PERL_ARGS_ASSERT_TO_UNI_FOLD;
1347
1348     uvchr_to_utf8(p, c);
1349     return to_utf8_fold(p, p, lenp);
1350 }
1351
1352 /* for now these all assume no locale info available for Unicode > 255 */
1353
1354 bool
1355 Perl_is_uni_alnum_lc(pTHX_ UV c)
1356 {
1357     return is_uni_alnum(c);     /* XXX no locale support yet */
1358 }
1359
1360 bool
1361 Perl_is_uni_idfirst_lc(pTHX_ UV c)
1362 {
1363     return is_uni_idfirst(c);   /* XXX no locale support yet */
1364 }
1365
1366 bool
1367 Perl_is_uni_alpha_lc(pTHX_ UV c)
1368 {
1369     return is_uni_alpha(c);     /* XXX no locale support yet */
1370 }
1371
1372 bool
1373 Perl_is_uni_ascii_lc(pTHX_ UV c)
1374 {
1375     return is_uni_ascii(c);     /* XXX no locale support yet */
1376 }
1377
1378 bool
1379 Perl_is_uni_space_lc(pTHX_ UV c)
1380 {
1381     return is_uni_space(c);     /* XXX no locale support yet */
1382 }
1383
1384 bool
1385 Perl_is_uni_digit_lc(pTHX_ UV c)
1386 {
1387     return is_uni_digit(c);     /* XXX no locale support yet */
1388 }
1389
1390 bool
1391 Perl_is_uni_upper_lc(pTHX_ UV c)
1392 {
1393     return is_uni_upper(c);     /* XXX no locale support yet */
1394 }
1395
1396 bool
1397 Perl_is_uni_lower_lc(pTHX_ UV c)
1398 {
1399     return is_uni_lower(c);     /* XXX no locale support yet */
1400 }
1401
1402 bool
1403 Perl_is_uni_cntrl_lc(pTHX_ UV c)
1404 {
1405     return is_uni_cntrl(c);     /* XXX no locale support yet */
1406 }
1407
1408 bool
1409 Perl_is_uni_graph_lc(pTHX_ UV c)
1410 {
1411     return is_uni_graph(c);     /* XXX no locale support yet */
1412 }
1413
1414 bool
1415 Perl_is_uni_print_lc(pTHX_ UV c)
1416 {
1417     return is_uni_print(c);     /* XXX no locale support yet */
1418 }
1419
1420 bool
1421 Perl_is_uni_punct_lc(pTHX_ UV c)
1422 {
1423     return is_uni_punct(c);     /* XXX no locale support yet */
1424 }
1425
1426 bool
1427 Perl_is_uni_xdigit_lc(pTHX_ UV c)
1428 {
1429     return is_uni_xdigit(c);    /* XXX no locale support yet */
1430 }
1431
1432 U32
1433 Perl_to_uni_upper_lc(pTHX_ U32 c)
1434 {
1435     /* XXX returns only the first character -- do not use XXX */
1436     /* XXX no locale support yet */
1437     STRLEN len;
1438     U8 tmpbuf[UTF8_MAXBYTES_CASE+1];
1439     return (U32)to_uni_upper(c, tmpbuf, &len);
1440 }
1441
1442 U32
1443 Perl_to_uni_title_lc(pTHX_ U32 c)
1444 {
1445     /* XXX returns only the first character XXX -- do not use XXX */
1446     /* XXX no locale support yet */
1447     STRLEN len;
1448     U8 tmpbuf[UTF8_MAXBYTES_CASE+1];
1449     return (U32)to_uni_title(c, tmpbuf, &len);
1450 }
1451
1452 U32
1453 Perl_to_uni_lower_lc(pTHX_ U32 c)
1454 {
1455     /* XXX returns only the first character -- do not use XXX */
1456     /* XXX no locale support yet */
1457     STRLEN len;
1458     U8 tmpbuf[UTF8_MAXBYTES_CASE+1];
1459     return (U32)to_uni_lower(c, tmpbuf, &len);
1460 }
1461
1462 static bool
1463 S_is_utf8_common(pTHX_ const U8 *const p, SV **swash,
1464                  const char *const swashname)
1465 {
1466     dVAR;
1467
1468     PERL_ARGS_ASSERT_IS_UTF8_COMMON;
1469
1470     if (!is_utf8_char(p))
1471         return FALSE;
1472     if (!*swash)
1473         *swash = swash_init("utf8", swashname, &PL_sv_undef, 1, 0);
1474     return swash_fetch(*swash, p, TRUE) != 0;
1475 }
1476
1477 bool
1478 Perl_is_utf8_alnum(pTHX_ const U8 *p)
1479 {
1480     dVAR;
1481
1482     PERL_ARGS_ASSERT_IS_UTF8_ALNUM;
1483
1484     /* NOTE: "IsWord", not "IsAlnum", since Alnum is a true
1485      * descendant of isalnum(3), in other words, it doesn't
1486      * contain the '_'. --jhi */
1487     return is_utf8_common(p, &PL_utf8_alnum, "IsWord");
1488 }
1489
1490 bool
1491 Perl_is_utf8_idfirst(pTHX_ const U8 *p) /* The naming is historical. */
1492 {
1493     dVAR;
1494
1495     PERL_ARGS_ASSERT_IS_UTF8_IDFIRST;
1496
1497     if (*p == '_')
1498         return TRUE;
1499     /* is_utf8_idstart would be more logical. */
1500     return is_utf8_common(p, &PL_utf8_idstart, "IdStart");
1501 }
1502
1503 bool
1504 Perl_is_utf8_idcont(pTHX_ const U8 *p)
1505 {
1506     dVAR;
1507
1508     PERL_ARGS_ASSERT_IS_UTF8_IDCONT;
1509
1510     if (*p == '_')
1511         return TRUE;
1512     return is_utf8_common(p, &PL_utf8_idcont, "IdContinue");
1513 }
1514
1515 bool
1516 Perl_is_utf8_alpha(pTHX_ const U8 *p)
1517 {
1518     dVAR;
1519
1520     PERL_ARGS_ASSERT_IS_UTF8_ALPHA;
1521
1522     return is_utf8_common(p, &PL_utf8_alpha, "IsAlpha");
1523 }
1524
1525 bool
1526 Perl_is_utf8_ascii(pTHX_ const U8 *p)
1527 {
1528     dVAR;
1529
1530     PERL_ARGS_ASSERT_IS_UTF8_ASCII;
1531
1532     return is_utf8_common(p, &PL_utf8_ascii, "IsAscii");
1533 }
1534
1535 bool
1536 Perl_is_utf8_space(pTHX_ const U8 *p)
1537 {
1538     dVAR;
1539
1540     PERL_ARGS_ASSERT_IS_UTF8_SPACE;
1541
1542     return is_utf8_common(p, &PL_utf8_space, "IsSpacePerl");
1543 }
1544
1545 bool
1546 Perl_is_utf8_perl_space(pTHX_ const U8 *p)
1547 {
1548     dVAR;
1549
1550     PERL_ARGS_ASSERT_IS_UTF8_PERL_SPACE;
1551
1552     return is_utf8_common(p, &PL_utf8_perl_space, "IsPerlSpace");
1553 }
1554
1555 bool
1556 Perl_is_utf8_perl_word(pTHX_ const U8 *p)
1557 {
1558     dVAR;
1559
1560     PERL_ARGS_ASSERT_IS_UTF8_PERL_WORD;
1561
1562     return is_utf8_common(p, &PL_utf8_perl_word, "IsPerlWord");
1563 }
1564
1565 bool
1566 Perl_is_utf8_digit(pTHX_ const U8 *p)
1567 {
1568     dVAR;
1569
1570     PERL_ARGS_ASSERT_IS_UTF8_DIGIT;
1571
1572     return is_utf8_common(p, &PL_utf8_digit, "IsDigit");
1573 }
1574
1575 bool
1576 Perl_is_utf8_posix_digit(pTHX_ const U8 *p)
1577 {
1578     dVAR;
1579
1580     PERL_ARGS_ASSERT_IS_UTF8_POSIX_DIGIT;
1581
1582     return is_utf8_common(p, &PL_utf8_posix_digit, "IsPosixDigit");
1583 }
1584
1585 bool
1586 Perl_is_utf8_upper(pTHX_ const U8 *p)
1587 {
1588     dVAR;
1589
1590     PERL_ARGS_ASSERT_IS_UTF8_UPPER;
1591
1592     return is_utf8_common(p, &PL_utf8_upper, "IsUppercase");
1593 }
1594
1595 bool
1596 Perl_is_utf8_lower(pTHX_ const U8 *p)
1597 {
1598     dVAR;
1599
1600     PERL_ARGS_ASSERT_IS_UTF8_LOWER;
1601
1602     return is_utf8_common(p, &PL_utf8_lower, "IsLowercase");
1603 }
1604
1605 bool
1606 Perl_is_utf8_cntrl(pTHX_ const U8 *p)
1607 {
1608     dVAR;
1609
1610     PERL_ARGS_ASSERT_IS_UTF8_CNTRL;
1611
1612     return is_utf8_common(p, &PL_utf8_cntrl, "IsCntrl");
1613 }
1614
1615 bool
1616 Perl_is_utf8_graph(pTHX_ const U8 *p)
1617 {
1618     dVAR;
1619
1620     PERL_ARGS_ASSERT_IS_UTF8_GRAPH;
1621
1622     return is_utf8_common(p, &PL_utf8_graph, "IsGraph");
1623 }
1624
1625 bool
1626 Perl_is_utf8_print(pTHX_ const U8 *p)
1627 {
1628     dVAR;
1629
1630     PERL_ARGS_ASSERT_IS_UTF8_PRINT;
1631
1632     return is_utf8_common(p, &PL_utf8_print, "IsPrint");
1633 }
1634
1635 bool
1636 Perl_is_utf8_punct(pTHX_ const U8 *p)
1637 {
1638     dVAR;
1639
1640     PERL_ARGS_ASSERT_IS_UTF8_PUNCT;
1641
1642     return is_utf8_common(p, &PL_utf8_punct, "IsPunct");
1643 }
1644
1645 bool
1646 Perl_is_utf8_xdigit(pTHX_ const U8 *p)
1647 {
1648     dVAR;
1649
1650     PERL_ARGS_ASSERT_IS_UTF8_XDIGIT;
1651
1652     return is_utf8_common(p, &PL_utf8_xdigit, "IsXDigit");
1653 }
1654
1655 bool
1656 Perl_is_utf8_mark(pTHX_ const U8 *p)
1657 {
1658     dVAR;
1659
1660     PERL_ARGS_ASSERT_IS_UTF8_MARK;
1661
1662     return is_utf8_common(p, &PL_utf8_mark, "IsM");
1663 }
1664
1665 bool
1666 Perl_is_utf8_X_begin(pTHX_ const U8 *p)
1667 {
1668     dVAR;
1669
1670     PERL_ARGS_ASSERT_IS_UTF8_X_BEGIN;
1671
1672     return is_utf8_common(p, &PL_utf8_X_begin, "_X_Begin");
1673 }
1674
1675 bool
1676 Perl_is_utf8_X_extend(pTHX_ const U8 *p)
1677 {
1678     dVAR;
1679
1680     PERL_ARGS_ASSERT_IS_UTF8_X_EXTEND;
1681
1682     return is_utf8_common(p, &PL_utf8_X_extend, "_X_Extend");
1683 }
1684
1685 bool
1686 Perl_is_utf8_X_prepend(pTHX_ const U8 *p)
1687 {
1688     dVAR;
1689
1690     PERL_ARGS_ASSERT_IS_UTF8_X_PREPEND;
1691
1692     return is_utf8_common(p, &PL_utf8_X_prepend, "GCB=Prepend");
1693 }
1694
1695 bool
1696 Perl_is_utf8_X_non_hangul(pTHX_ const U8 *p)
1697 {
1698     dVAR;
1699
1700     PERL_ARGS_ASSERT_IS_UTF8_X_NON_HANGUL;
1701
1702     return is_utf8_common(p, &PL_utf8_X_non_hangul, "HST=Not_Applicable");
1703 }
1704
1705 bool
1706 Perl_is_utf8_X_L(pTHX_ const U8 *p)
1707 {
1708     dVAR;
1709
1710     PERL_ARGS_ASSERT_IS_UTF8_X_L;
1711
1712     return is_utf8_common(p, &PL_utf8_X_L, "GCB=L");
1713 }
1714
1715 bool
1716 Perl_is_utf8_X_LV(pTHX_ const U8 *p)
1717 {
1718     dVAR;
1719
1720     PERL_ARGS_ASSERT_IS_UTF8_X_LV;
1721
1722     return is_utf8_common(p, &PL_utf8_X_LV, "GCB=LV");
1723 }
1724
1725 bool
1726 Perl_is_utf8_X_LVT(pTHX_ const U8 *p)
1727 {
1728     dVAR;
1729
1730     PERL_ARGS_ASSERT_IS_UTF8_X_LVT;
1731
1732     return is_utf8_common(p, &PL_utf8_X_LVT, "GCB=LVT");
1733 }
1734
1735 bool
1736 Perl_is_utf8_X_T(pTHX_ const U8 *p)
1737 {
1738     dVAR;
1739
1740     PERL_ARGS_ASSERT_IS_UTF8_X_T;
1741
1742     return is_utf8_common(p, &PL_utf8_X_T, "GCB=T");
1743 }
1744
1745 bool
1746 Perl_is_utf8_X_V(pTHX_ const U8 *p)
1747 {
1748     dVAR;
1749
1750     PERL_ARGS_ASSERT_IS_UTF8_X_V;
1751
1752     return is_utf8_common(p, &PL_utf8_X_V, "GCB=V");
1753 }
1754
1755 bool
1756 Perl_is_utf8_X_LV_LVT_V(pTHX_ const U8 *p)
1757 {
1758     dVAR;
1759
1760     PERL_ARGS_ASSERT_IS_UTF8_X_LV_LVT_V;
1761
1762     return is_utf8_common(p, &PL_utf8_X_LV_LVT_V, "_X_LV_LVT_V");
1763 }
1764
1765 /*
1766 =for apidoc to_utf8_case
1767
1768 The "p" contains the pointer to the UTF-8 string encoding
1769 the character that is being converted.
1770
1771 The "ustrp" is a pointer to the character buffer to put the
1772 conversion result to.  The "lenp" is a pointer to the length
1773 of the result.
1774
1775 The "swashp" is a pointer to the swash to use.
1776
1777 Both the special and normal mappings are stored lib/unicore/To/Foo.pl,
1778 and loaded by SWASHNEW, using lib/utf8_heavy.pl.  The special (usually,
1779 but not always, a multicharacter mapping), is tried first.
1780
1781 The "special" is a string like "utf8::ToSpecLower", which means the
1782 hash %utf8::ToSpecLower.  The access to the hash is through
1783 Perl_to_utf8_case().
1784
1785 The "normal" is a string like "ToLower" which means the swash
1786 %utf8::ToLower.
1787
1788 =cut */
1789
1790 UV
1791 Perl_to_utf8_case(pTHX_ const U8 *p, U8* ustrp, STRLEN *lenp,
1792                         SV **swashp, const char *normal, const char *special)
1793 {
1794     dVAR;
1795     U8 tmpbuf[UTF8_MAXBYTES_CASE+1];
1796     STRLEN len = 0;
1797     const UV uv0 = utf8_to_uvchr(p, NULL);
1798     /* The NATIVE_TO_UNI() and UNI_TO_NATIVE() mappings
1799      * are necessary in EBCDIC, they are redundant no-ops
1800      * in ASCII-ish platforms, and hopefully optimized away. */
1801     const UV uv1 = NATIVE_TO_UNI(uv0);
1802
1803     PERL_ARGS_ASSERT_TO_UTF8_CASE;
1804
1805     /* Note that swash_fetch() doesn't output warnings for these because it
1806      * assumes we will */
1807     if (uv1 >= UNICODE_SURROGATE_FIRST && ckWARN_d(WARN_UTF8)) {
1808         if (uv1 <= UNICODE_SURROGATE_LAST) {
1809             const char* desc = (PL_op) ? OP_DESC(PL_op) : normal;
1810             Perl_warner(aTHX_ packWARN(WARN_UTF8),
1811                 "Operation \"%s\" returns its argument for UTF-16 surrogate U+%04"UVXf"", desc, uv1);
1812         }
1813         else if (UNICODE_IS_SUPER(uv1)) {
1814             const char* desc = (PL_op) ? OP_DESC(PL_op) : normal;
1815             Perl_warner(aTHX_ packWARN(WARN_UTF8),
1816                 "Operation \"%s\" returns its argument for non-Unicode code point 0x%04"UVXf"", desc, uv1);
1817         }
1818
1819         /* Note that non-characters are perfectly legal, so no warning should
1820          * be given */
1821     }
1822
1823     uvuni_to_utf8(tmpbuf, uv1);
1824
1825     if (!*swashp) /* load on-demand */
1826          *swashp = swash_init("utf8", normal, &PL_sv_undef, 4, 0);
1827     /* This is the beginnings of a skeleton of code to read the info section
1828      * that is in all the swashes in case we ever want to do that, so one can
1829      * read things whose maps aren't code points, and whose default if missing
1830      * is not to the code point itself.  This was just to see if it actually
1831      * worked.  Details on what the possibilities are are in perluniprops.pod
1832         HV * const hv = get_hv("utf8::SwashInfo", 0);
1833         if (hv) {
1834          SV **svp;
1835          svp = hv_fetch(hv, (const char*)normal, strlen(normal), FALSE);
1836              const char *s;
1837
1838               HV * const this_hash = SvRV(*svp);
1839                 svp = hv_fetch(this_hash, "type", strlen("type"), FALSE);
1840               s = SvPV_const(*svp, len);
1841         }
1842     }*/
1843
1844     if (special) {
1845          /* It might be "special" (sometimes, but not always,
1846           * a multicharacter mapping) */
1847          HV * const hv = get_hv(special, 0);
1848          SV **svp;
1849
1850          if (hv &&
1851              (svp = hv_fetch(hv, (const char*)tmpbuf, UNISKIP(uv1), FALSE)) &&
1852              (*svp)) {
1853              const char *s;
1854
1855               s = SvPV_const(*svp, len);
1856               if (len == 1)
1857                    len = uvuni_to_utf8(ustrp, NATIVE_TO_UNI(*(U8*)s)) - ustrp;
1858               else {
1859 #ifdef EBCDIC
1860                    /* If we have EBCDIC we need to remap the characters
1861                     * since any characters in the low 256 are Unicode
1862                     * code points, not EBCDIC. */
1863                    U8 *t = (U8*)s, *tend = t + len, *d;
1864                 
1865                    d = tmpbuf;
1866                    if (SvUTF8(*svp)) {
1867                         STRLEN tlen = 0;
1868                         
1869                         while (t < tend) {
1870                              const UV c = utf8_to_uvchr(t, &tlen);
1871                              if (tlen > 0) {
1872                                   d = uvchr_to_utf8(d, UNI_TO_NATIVE(c));
1873                                   t += tlen;
1874                              }
1875                              else
1876                                   break;
1877                         }
1878                    }
1879                    else {
1880                         while (t < tend) {
1881                              d = uvchr_to_utf8(d, UNI_TO_NATIVE(*t));
1882                              t++;
1883                         }
1884                    }
1885                    len = d - tmpbuf;
1886                    Copy(tmpbuf, ustrp, len, U8);
1887 #else
1888                    Copy(s, ustrp, len, U8);
1889 #endif
1890               }
1891          }
1892     }
1893
1894     if (!len && *swashp) {
1895         const UV uv2 = swash_fetch(*swashp, tmpbuf, TRUE);
1896
1897          if (uv2) {
1898               /* It was "normal" (a single character mapping). */
1899               const UV uv3 = UNI_TO_NATIVE(uv2);
1900               len = uvchr_to_utf8(ustrp, uv3) - ustrp;
1901          }
1902     }
1903
1904     if (!len) /* Neither: just copy.  In other words, there was no mapping
1905                  defined, which means that the code point maps to itself */
1906          len = uvchr_to_utf8(ustrp, uv0) - ustrp;
1907
1908     if (lenp)
1909          *lenp = len;
1910
1911     return len ? utf8_to_uvchr(ustrp, 0) : 0;
1912 }
1913
1914 /*
1915 =for apidoc to_utf8_upper
1916
1917 Convert the UTF-8 encoded character at p to its uppercase version and
1918 store that in UTF-8 in ustrp and its length in bytes in lenp.  Note
1919 that the ustrp needs to be at least UTF8_MAXBYTES_CASE+1 bytes since
1920 the uppercase version may be longer than the original character.
1921
1922 The first character of the uppercased version is returned
1923 (but note, as explained above, that there may be more.)
1924
1925 =cut */
1926
1927 UV
1928 Perl_to_utf8_upper(pTHX_ const U8 *p, U8* ustrp, STRLEN *lenp)
1929 {
1930     dVAR;
1931
1932     PERL_ARGS_ASSERT_TO_UTF8_UPPER;
1933
1934     return Perl_to_utf8_case(aTHX_ p, ustrp, lenp,
1935                              &PL_utf8_toupper, "ToUpper", "utf8::ToSpecUpper");
1936 }
1937
1938 /*
1939 =for apidoc to_utf8_title
1940
1941 Convert the UTF-8 encoded character at p to its titlecase version and
1942 store that in UTF-8 in ustrp and its length in bytes in lenp.  Note
1943 that the ustrp needs to be at least UTF8_MAXBYTES_CASE+1 bytes since the
1944 titlecase version may be longer than the original character.
1945
1946 The first character of the titlecased version is returned
1947 (but note, as explained above, that there may be more.)
1948
1949 =cut */
1950
1951 UV
1952 Perl_to_utf8_title(pTHX_ const U8 *p, U8* ustrp, STRLEN *lenp)
1953 {
1954     dVAR;
1955
1956     PERL_ARGS_ASSERT_TO_UTF8_TITLE;
1957
1958     return Perl_to_utf8_case(aTHX_ p, ustrp, lenp,
1959                              &PL_utf8_totitle, "ToTitle", "utf8::ToSpecTitle");
1960 }
1961
1962 /*
1963 =for apidoc to_utf8_lower
1964
1965 Convert the UTF-8 encoded character at p to its lowercase version and
1966 store that in UTF-8 in ustrp and its length in bytes in lenp.  Note
1967 that the ustrp needs to be at least UTF8_MAXBYTES_CASE+1 bytes since the
1968 lowercase version may be longer than the original character.
1969
1970 The first character of the lowercased version is returned
1971 (but note, as explained above, that there may be more.)
1972
1973 =cut */
1974
1975 UV
1976 Perl_to_utf8_lower(pTHX_ const U8 *p, U8* ustrp, STRLEN *lenp)
1977 {
1978     dVAR;
1979
1980     PERL_ARGS_ASSERT_TO_UTF8_LOWER;
1981
1982     return Perl_to_utf8_case(aTHX_ p, ustrp, lenp,
1983                              &PL_utf8_tolower, "ToLower", "utf8::ToSpecLower");
1984 }
1985
1986 /*
1987 =for apidoc to_utf8_fold
1988
1989 Convert the UTF-8 encoded character at p to its foldcase version and
1990 store that in UTF-8 in ustrp and its length in bytes in lenp.  Note
1991 that the ustrp needs to be at least UTF8_MAXBYTES_CASE+1 bytes since the
1992 foldcase version may be longer than the original character (up to
1993 three characters).
1994
1995 The first character of the foldcased version is returned
1996 (but note, as explained above, that there may be more.)
1997
1998 =cut */
1999
2000 UV
2001 Perl_to_utf8_fold(pTHX_ const U8 *p, U8* ustrp, STRLEN *lenp)
2002 {
2003     dVAR;
2004
2005     PERL_ARGS_ASSERT_TO_UTF8_FOLD;
2006
2007     return Perl_to_utf8_case(aTHX_ p, ustrp, lenp,
2008                              &PL_utf8_tofold, "ToFold", "utf8::ToSpecFold");
2009 }
2010
2011 /* Note:
2012  * A "swash" is a swatch hash.
2013  * A "swatch" is a bit vector generated by utf8.c:S_swash_get().
2014  * C<pkg> is a pointer to a package name for SWASHNEW, should be "utf8".
2015  * For other parameters, see utf8::SWASHNEW in lib/utf8_heavy.pl.
2016  */
2017 SV*
2018 Perl_swash_init(pTHX_ const char* pkg, const char* name, SV *listsv, I32 minbits, I32 none)
2019 {
2020     dVAR;
2021     SV* retval;
2022     dSP;
2023     const size_t pkg_len = strlen(pkg);
2024     const size_t name_len = strlen(name);
2025     HV * const stash = gv_stashpvn(pkg, pkg_len, 0);
2026     SV* errsv_save;
2027     GV *method;
2028
2029     PERL_ARGS_ASSERT_SWASH_INIT;
2030
2031     PUSHSTACKi(PERLSI_MAGIC);
2032     ENTER;
2033     SAVEHINTS();
2034     save_re_context();
2035     method = gv_fetchmeth(stash, "SWASHNEW", 8, -1);
2036     if (!method) {      /* demand load utf8 */
2037         ENTER;
2038         errsv_save = newSVsv(ERRSV);
2039         /* It is assumed that callers of this routine are not passing in any
2040            user derived data.  */
2041         /* Need to do this after save_re_context() as it will set PL_tainted to
2042            1 while saving $1 etc (see the code after getrx: in Perl_magic_get).
2043            Even line to create errsv_save can turn on PL_tainted.  */
2044         SAVEBOOL(PL_tainted);
2045         PL_tainted = 0;
2046         Perl_load_module(aTHX_ PERL_LOADMOD_NOIMPORT, newSVpvn(pkg,pkg_len),
2047                          NULL);
2048         if (!SvTRUE(ERRSV))
2049             sv_setsv(ERRSV, errsv_save);
2050         SvREFCNT_dec(errsv_save);
2051         LEAVE;
2052     }
2053     SPAGAIN;
2054     PUSHMARK(SP);
2055     EXTEND(SP,5);
2056     mPUSHp(pkg, pkg_len);
2057     mPUSHp(name, name_len);
2058     PUSHs(listsv);
2059     mPUSHi(minbits);
2060     mPUSHi(none);
2061     PUTBACK;
2062     errsv_save = newSVsv(ERRSV);
2063     /* If we already have a pointer to the method, no need to use call_method()
2064        to repeat the lookup.  */
2065     if (method ? call_sv(MUTABLE_SV(method), G_SCALAR)
2066         : call_sv(newSVpvs_flags("SWASHNEW", SVs_TEMP), G_SCALAR | G_METHOD))
2067         retval = newSVsv(*PL_stack_sp--);
2068     else
2069         retval = &PL_sv_undef;
2070     if (!SvTRUE(ERRSV))
2071         sv_setsv(ERRSV, errsv_save);
2072     SvREFCNT_dec(errsv_save);
2073     LEAVE;
2074     POPSTACK;
2075     if (IN_PERL_COMPILETIME) {
2076         CopHINTS_set(PL_curcop, PL_hints);
2077     }
2078     if (!SvROK(retval) || SvTYPE(SvRV(retval)) != SVt_PVHV) {
2079         if (SvPOK(retval))
2080             Perl_croak(aTHX_ "Can't find Unicode property definition \"%"SVf"\"",
2081                        SVfARG(retval));
2082         Perl_croak(aTHX_ "SWASHNEW didn't return an HV ref");
2083     }
2084     return retval;
2085 }
2086
2087
2088 /* This API is wrong for special case conversions since we may need to
2089  * return several Unicode characters for a single Unicode character
2090  * (see lib/unicore/SpecCase.txt) The SWASHGET in lib/utf8_heavy.pl is
2091  * the lower-level routine, and it is similarly broken for returning
2092  * multiple values.  --jhi
2093  * For those, you should use to_utf8_case() instead */
2094 /* Now SWASHGET is recasted into S_swash_get in this file. */
2095
2096 /* Note:
2097  * Returns the value of property/mapping C<swash> for the first character
2098  * of the string C<ptr>. If C<do_utf8> is true, the string C<ptr> is
2099  * assumed to be in utf8. If C<do_utf8> is false, the string C<ptr> is
2100  * assumed to be in native 8-bit encoding. Caches the swatch in C<swash>.
2101  */
2102 UV
2103 Perl_swash_fetch(pTHX_ SV *swash, const U8 *ptr, bool do_utf8)
2104 {
2105     dVAR;
2106     HV *const hv = MUTABLE_HV(SvRV(swash));
2107     U32 klen;
2108     U32 off;
2109     STRLEN slen;
2110     STRLEN needents;
2111     const U8 *tmps = NULL;
2112     U32 bit;
2113     SV *swatch;
2114     U8 tmputf8[2];
2115     const UV c = NATIVE_TO_ASCII(*ptr);
2116
2117     PERL_ARGS_ASSERT_SWASH_FETCH;
2118
2119     if (!do_utf8 && !UNI_IS_INVARIANT(c)) {
2120         tmputf8[0] = (U8)UTF8_EIGHT_BIT_HI(c);
2121         tmputf8[1] = (U8)UTF8_EIGHT_BIT_LO(c);
2122         ptr = tmputf8;
2123     }
2124     /* Given a UTF-X encoded char 0xAA..0xYY,0xZZ
2125      * then the "swatch" is a vec() for all the chars which start
2126      * with 0xAA..0xYY
2127      * So the key in the hash (klen) is length of encoded char -1
2128      */
2129     klen = UTF8SKIP(ptr) - 1;
2130     off  = ptr[klen];
2131
2132     if (klen == 0) {
2133       /* If char is invariant then swatch is for all the invariant chars
2134        * In both UTF-8 and UTF-8-MOD that happens to be UTF_CONTINUATION_MARK
2135        */
2136         needents = UTF_CONTINUATION_MARK;
2137         off      = NATIVE_TO_UTF(ptr[klen]);
2138     }
2139     else {
2140       /* If char is encoded then swatch is for the prefix */
2141         needents = (1 << UTF_ACCUMULATION_SHIFT);
2142         off      = NATIVE_TO_UTF(ptr[klen]) & UTF_CONTINUATION_MASK;
2143         if (UTF8_IS_SUPER(ptr) && ckWARN_d(WARN_UTF8)) {
2144             const UV code_point = utf8n_to_uvuni(ptr, UTF8_MAXBYTES, 0, 0);
2145
2146             /* This outputs warnings for binary properties only, assuming that
2147              * to_utf8_case() will output any.  Also, surrogates aren't checked
2148              * for, as that would warn on things like /\p{Gc=Cs}/ */
2149             SV** const bitssvp = hv_fetchs(hv, "BITS", FALSE);
2150             if (SvUV(*bitssvp) == 1) {
2151                 Perl_warner(aTHX_ packWARN(WARN_UTF8),
2152                     "Code point 0x%04"UVXf" is not Unicode, no properties match it; all inverse properties do", code_point);
2153             }
2154         }
2155     }
2156
2157     /*
2158      * This single-entry cache saves about 1/3 of the utf8 overhead in test
2159      * suite.  (That is, only 7-8% overall over just a hash cache.  Still,
2160      * it's nothing to sniff at.)  Pity we usually come through at least
2161      * two function calls to get here...
2162      *
2163      * NB: this code assumes that swatches are never modified, once generated!
2164      */
2165
2166     if (hv   == PL_last_swash_hv &&
2167         klen == PL_last_swash_klen &&
2168         (!klen || memEQ((char *)ptr, (char *)PL_last_swash_key, klen)) )
2169     {
2170         tmps = PL_last_swash_tmps;
2171         slen = PL_last_swash_slen;
2172     }
2173     else {
2174         /* Try our second-level swatch cache, kept in a hash. */
2175         SV** svp = hv_fetch(hv, (const char*)ptr, klen, FALSE);
2176
2177         /* If not cached, generate it via swash_get */
2178         if (!svp || !SvPOK(*svp)
2179                  || !(tmps = (const U8*)SvPV_const(*svp, slen))) {
2180             /* We use utf8n_to_uvuni() as we want an index into
2181                Unicode tables, not a native character number.
2182              */
2183             const UV code_point = utf8n_to_uvuni(ptr, UTF8_MAXBYTES, 0,
2184                                            ckWARN(WARN_UTF8) ?
2185                                            0 : UTF8_ALLOW_ANY);
2186             swatch = swash_get(swash,
2187                     /* On EBCDIC & ~(0xA0-1) isn't a useful thing to do */
2188                                 (klen) ? (code_point & ~(needents - 1)) : 0,
2189                                 needents);
2190
2191             if (IN_PERL_COMPILETIME)
2192                 CopHINTS_set(PL_curcop, PL_hints);
2193
2194             svp = hv_store(hv, (const char *)ptr, klen, swatch, 0);
2195
2196             if (!svp || !(tmps = (U8*)SvPV(*svp, slen))
2197                      || (slen << 3) < needents)
2198                 Perl_croak(aTHX_ "panic: swash_fetch got improper swatch");
2199         }
2200
2201         PL_last_swash_hv = hv;
2202         assert(klen <= sizeof(PL_last_swash_key));
2203         PL_last_swash_klen = (U8)klen;
2204         /* FIXME change interpvar.h?  */
2205         PL_last_swash_tmps = (U8 *) tmps;
2206         PL_last_swash_slen = slen;
2207         if (klen)
2208             Copy(ptr, PL_last_swash_key, klen, U8);
2209     }
2210
2211     switch ((int)((slen << 3) / needents)) {
2212     case 1:
2213         bit = 1 << (off & 7);
2214         off >>= 3;
2215         return (tmps[off] & bit) != 0;
2216     case 8:
2217         return tmps[off];
2218     case 16:
2219         off <<= 1;
2220         return (tmps[off] << 8) + tmps[off + 1] ;
2221     case 32:
2222         off <<= 2;
2223         return (tmps[off] << 24) + (tmps[off+1] << 16) + (tmps[off+2] << 8) + tmps[off + 3] ;
2224     }
2225     Perl_croak(aTHX_ "panic: swash_fetch got swatch of unexpected bit width");
2226     NORETURN_FUNCTION_END;
2227 }
2228
2229 /* Read a single line of the main body of the swash input text.  These are of
2230  * the form:
2231  * 0053 0056    0073
2232  * where each number is hex.  The first two numbers form the minimum and
2233  * maximum of a range, and the third is the value associated with the range.
2234  * Not all swashes should have a third number
2235  *
2236  * On input: l    points to the beginning of the line to be examined; it points
2237  *                to somewhere in the string of the whole input text, and is
2238  *                terminated by a \n or the null string terminator.
2239  *           lend   points to the null terminator of that string
2240  *           wants_value    is non-zero if the swash expects a third number
2241  *           typestr is the name of the swash's mapping, like 'ToLower'
2242  * On output: *min, *max, and *val are set to the values read from the line.
2243  *            returns a pointer just beyond the line examined.  If there was no
2244  *            valid min number on the line, returns lend+1
2245  */
2246
2247 STATIC U8*
2248 S_swash_scan_list_line(pTHX_ U8* l, U8* const lend, UV* min, UV* max, UV* val,
2249                              const bool wants_value, const U8* const typestr)
2250 {
2251     const int  typeto  = typestr[0] == 'T' && typestr[1] == 'o';
2252     STRLEN numlen;          /* Length of the number */
2253     I32 flags = PERL_SCAN_SILENT_ILLDIGIT | PERL_SCAN_DISALLOW_PREFIX;
2254
2255     /* nl points to the next \n in the scan */
2256     U8* const nl = (U8*)memchr(l, '\n', lend - l);
2257
2258     /* Get the first number on the line: the range minimum */
2259     numlen = lend - l;
2260     *min = grok_hex((char *)l, &numlen, &flags, NULL);
2261     if (numlen)     /* If found a hex number, position past it */
2262         l += numlen;
2263     else if (nl) {          /* Else, go handle next line, if any */
2264         return nl + 1;  /* 1 is length of "\n" */
2265     }
2266     else {              /* Else, no next line */
2267         return lend + 1;        /* to LIST's end at which \n is not found */
2268     }
2269
2270     /* The max range value follows, separated by a BLANK */
2271     if (isBLANK(*l)) {
2272         ++l;
2273         flags = PERL_SCAN_SILENT_ILLDIGIT | PERL_SCAN_DISALLOW_PREFIX;
2274         numlen = lend - l;
2275         *max = grok_hex((char *)l, &numlen, &flags, NULL);
2276         if (numlen)
2277             l += numlen;
2278         else    /* If no value here, it is a single element range */
2279             *max = *min;
2280
2281         /* Non-binary tables have a third entry: what the first element of the
2282          * range maps to */
2283         if (wants_value) {
2284             if (isBLANK(*l)) {
2285                 ++l;
2286                 flags = PERL_SCAN_SILENT_ILLDIGIT |
2287                         PERL_SCAN_DISALLOW_PREFIX;
2288                 numlen = lend - l;
2289                 *val = grok_hex((char *)l, &numlen, &flags, NULL);
2290                 if (numlen)
2291                     l += numlen;
2292                 else
2293                     *val = 0;
2294             }
2295             else {
2296                 *val = 0;
2297                 if (typeto) {
2298                     Perl_croak(aTHX_ "%s: illegal mapping '%s'",
2299                                      typestr, l);
2300                 }
2301             }
2302         }
2303         else
2304             *val = 0; /* bits == 1, then any val should be ignored */
2305     }
2306     else { /* Nothing following range min, should be single element with no
2307               mapping expected */
2308         *max = *min;
2309         if (wants_value) {
2310             *val = 0;
2311             if (typeto) {
2312                 Perl_croak(aTHX_ "%s: illegal mapping '%s'", typestr, l);
2313             }
2314         }
2315         else
2316             *val = 0; /* bits == 1, then val should be ignored */
2317     }
2318
2319     /* Position to next line if any, or EOF */
2320     if (nl)
2321         l = nl + 1;
2322     else
2323         l = lend;
2324
2325     return l;
2326 }
2327
2328 /* Note:
2329  * Returns a swatch (a bit vector string) for a code point sequence
2330  * that starts from the value C<start> and comprises the number C<span>.
2331  * A C<swash> must be an object created by SWASHNEW (see lib/utf8_heavy.pl).
2332  * Should be used via swash_fetch, which will cache the swatch in C<swash>.
2333  */
2334 STATIC SV*
2335 S_swash_get(pTHX_ SV* swash, UV start, UV span)
2336 {
2337     SV *swatch;
2338     U8 *l, *lend, *x, *xend, *s;
2339     STRLEN lcur, xcur, scur;
2340     HV *const hv = MUTABLE_HV(SvRV(swash));
2341
2342     /* The string containing the main body of the table */
2343     SV** const listsvp = hv_fetchs(hv, "LIST", FALSE);
2344
2345     SV** const typesvp = hv_fetchs(hv, "TYPE", FALSE);
2346     SV** const bitssvp = hv_fetchs(hv, "BITS", FALSE);
2347     SV** const nonesvp = hv_fetchs(hv, "NONE", FALSE);
2348     SV** const extssvp = hv_fetchs(hv, "EXTRAS", FALSE);
2349     const U8* const typestr = (U8*)SvPV_nolen(*typesvp);
2350     const STRLEN bits  = SvUV(*bitssvp);
2351     const STRLEN octets = bits >> 3; /* if bits == 1, then octets == 0 */
2352     const UV     none  = SvUV(*nonesvp);
2353     const UV     end   = start + span;
2354
2355     PERL_ARGS_ASSERT_SWASH_GET;
2356
2357     if (bits != 1 && bits != 8 && bits != 16 && bits != 32) {
2358         Perl_croak(aTHX_ "panic: swash_get doesn't expect bits %"UVuf,
2359                                                  (UV)bits);
2360     }
2361
2362     /* create and initialize $swatch */
2363     scur   = octets ? (span * octets) : (span + 7) / 8;
2364     swatch = newSV(scur);
2365     SvPOK_on(swatch);
2366     s = (U8*)SvPVX(swatch);
2367     if (octets && none) {
2368         const U8* const e = s + scur;
2369         while (s < e) {
2370             if (bits == 8)
2371                 *s++ = (U8)(none & 0xff);
2372             else if (bits == 16) {
2373                 *s++ = (U8)((none >>  8) & 0xff);
2374                 *s++ = (U8)( none        & 0xff);
2375             }
2376             else if (bits == 32) {
2377                 *s++ = (U8)((none >> 24) & 0xff);
2378                 *s++ = (U8)((none >> 16) & 0xff);
2379                 *s++ = (U8)((none >>  8) & 0xff);
2380                 *s++ = (U8)( none        & 0xff);
2381             }
2382         }
2383         *s = '\0';
2384     }
2385     else {
2386         (void)memzero((U8*)s, scur + 1);
2387     }
2388     SvCUR_set(swatch, scur);
2389     s = (U8*)SvPVX(swatch);
2390
2391     /* read $swash->{LIST} */
2392     l = (U8*)SvPV(*listsvp, lcur);
2393     lend = l + lcur;
2394     while (l < lend) {
2395         UV min, max, val;
2396         l = S_swash_scan_list_line(aTHX_ l, lend, &min, &max, &val,
2397                                          cBOOL(octets), typestr);
2398         if (l > lend) {
2399             break;
2400         }
2401
2402         /* If looking for something beyond this range, go try the next one */
2403         if (max < start)
2404             continue;
2405
2406         if (octets) {
2407             UV key;
2408             if (min < start) {
2409                 if (!none || val < none) {
2410                     val += start - min;
2411                 }
2412                 min = start;
2413             }
2414             for (key = min; key <= max; key++) {
2415                 STRLEN offset;
2416                 if (key >= end)
2417                     goto go_out_list;
2418                 /* offset must be non-negative (start <= min <= key < end) */
2419                 offset = octets * (key - start);
2420                 if (bits == 8)
2421                     s[offset] = (U8)(val & 0xff);
2422                 else if (bits == 16) {
2423                     s[offset    ] = (U8)((val >>  8) & 0xff);
2424                     s[offset + 1] = (U8)( val        & 0xff);
2425                 }
2426                 else if (bits == 32) {
2427                     s[offset    ] = (U8)((val >> 24) & 0xff);
2428                     s[offset + 1] = (U8)((val >> 16) & 0xff);
2429                     s[offset + 2] = (U8)((val >>  8) & 0xff);
2430                     s[offset + 3] = (U8)( val        & 0xff);
2431                 }
2432
2433                 if (!none || val < none)
2434                     ++val;
2435             }
2436         }
2437         else { /* bits == 1, then val should be ignored */
2438             UV key;
2439             if (min < start)
2440                 min = start;
2441             for (key = min; key <= max; key++) {
2442                 const STRLEN offset = (STRLEN)(key - start);
2443                 if (key >= end)
2444                     goto go_out_list;
2445                 s[offset >> 3] |= 1 << (offset & 7);
2446             }
2447         }
2448     } /* while */
2449   go_out_list:
2450
2451     /* read $swash->{EXTRAS} */
2452     x = (U8*)SvPV(*extssvp, xcur);
2453     xend = x + xcur;
2454     while (x < xend) {
2455         STRLEN namelen;
2456         U8 *namestr;
2457         SV** othersvp;
2458         HV* otherhv;
2459         STRLEN otherbits;
2460         SV **otherbitssvp, *other;
2461         U8 *s, *o, *nl;
2462         STRLEN slen, olen;
2463
2464         const U8 opc = *x++;
2465         if (opc == '\n')
2466             continue;
2467
2468         nl = (U8*)memchr(x, '\n', xend - x);
2469
2470         if (opc != '-' && opc != '+' && opc != '!' && opc != '&') {
2471             if (nl) {
2472                 x = nl + 1; /* 1 is length of "\n" */
2473                 continue;
2474             }
2475             else {
2476                 x = xend; /* to EXTRAS' end at which \n is not found */
2477                 break;
2478             }
2479         }
2480
2481         namestr = x;
2482         if (nl) {
2483             namelen = nl - namestr;
2484             x = nl + 1;
2485         }
2486         else {
2487             namelen = xend - namestr;
2488             x = xend;
2489         }
2490
2491         othersvp = hv_fetch(hv, (char *)namestr, namelen, FALSE);
2492         otherhv = MUTABLE_HV(SvRV(*othersvp));
2493         otherbitssvp = hv_fetchs(otherhv, "BITS", FALSE);
2494         otherbits = (STRLEN)SvUV(*otherbitssvp);
2495         if (bits < otherbits)
2496             Perl_croak(aTHX_ "panic: swash_get found swatch size mismatch");
2497
2498         /* The "other" swatch must be destroyed after. */
2499         other = swash_get(*othersvp, start, span);
2500         o = (U8*)SvPV(other, olen);
2501
2502         if (!olen)
2503             Perl_croak(aTHX_ "panic: swash_get got improper swatch");
2504
2505         s = (U8*)SvPV(swatch, slen);
2506         if (bits == 1 && otherbits == 1) {
2507             if (slen != olen)
2508                 Perl_croak(aTHX_ "panic: swash_get found swatch length mismatch");
2509
2510             switch (opc) {
2511             case '+':
2512                 while (slen--)
2513                     *s++ |= *o++;
2514                 break;
2515             case '!':
2516                 while (slen--)
2517                     *s++ |= ~*o++;
2518                 break;
2519             case '-':
2520                 while (slen--)
2521                     *s++ &= ~*o++;
2522                 break;
2523             case '&':
2524                 while (slen--)
2525                     *s++ &= *o++;
2526                 break;
2527             default:
2528                 break;
2529             }
2530         }
2531         else {
2532             STRLEN otheroctets = otherbits >> 3;
2533             STRLEN offset = 0;
2534             U8* const send = s + slen;
2535
2536             while (s < send) {
2537                 UV otherval = 0;
2538
2539                 if (otherbits == 1) {
2540                     otherval = (o[offset >> 3] >> (offset & 7)) & 1;
2541                     ++offset;
2542                 }
2543                 else {
2544                     STRLEN vlen = otheroctets;
2545                     otherval = *o++;
2546                     while (--vlen) {
2547                         otherval <<= 8;
2548                         otherval |= *o++;
2549                     }
2550                 }
2551
2552                 if (opc == '+' && otherval)
2553                     NOOP;   /* replace with otherval */
2554                 else if (opc == '!' && !otherval)
2555                     otherval = 1;
2556                 else if (opc == '-' && otherval)
2557                     otherval = 0;
2558                 else if (opc == '&' && !otherval)
2559                     otherval = 0;
2560                 else {
2561                     s += octets; /* no replacement */
2562                     continue;
2563                 }
2564
2565                 if (bits == 8)
2566                     *s++ = (U8)( otherval & 0xff);
2567                 else if (bits == 16) {
2568                     *s++ = (U8)((otherval >>  8) & 0xff);
2569                     *s++ = (U8)( otherval        & 0xff);
2570                 }
2571                 else if (bits == 32) {
2572                     *s++ = (U8)((otherval >> 24) & 0xff);
2573                     *s++ = (U8)((otherval >> 16) & 0xff);
2574                     *s++ = (U8)((otherval >>  8) & 0xff);
2575                     *s++ = (U8)( otherval        & 0xff);
2576                 }
2577             }
2578         }
2579         sv_free(other); /* through with it! */
2580     } /* while */
2581     return swatch;
2582 }
2583
2584 HV*
2585 Perl__swash_inversion_hash(pTHX_ SV* swash)
2586 {
2587
2588    /* Subject to change or removal.  For use only in one place in regexec.c
2589     *
2590     * Returns a hash which is the inversion and closure of a swash mapping.
2591     * For example, consider the input lines:
2592     * 004B              006B
2593     * 004C              006C
2594     * 212A              006B
2595     *
2596     * The returned hash would have two keys, the utf8 for 006B and the utf8 for
2597     * 006C.  The value for each key is an array.  For 006C, the array would
2598     * have a two elements, the utf8 for itself, and for 004C.  For 006B, there
2599     * would be three elements in its array, the utf8 for 006B, 004B and 212A.
2600     *
2601     * Essentially, for any code point, it gives all the code points that map to
2602     * it, or the list of 'froms' for that point.
2603     *
2604     * Currently it only looks at the main body of the swash, and ignores any
2605     * additions or deletions from other swashes */
2606
2607     U8 *l, *lend;
2608     STRLEN lcur;
2609     HV *const hv = MUTABLE_HV(SvRV(swash));
2610
2611     /* The string containing the main body of the table */
2612     SV** const listsvp = hv_fetchs(hv, "LIST", FALSE);
2613
2614     SV** const typesvp = hv_fetchs(hv, "TYPE", FALSE);
2615     SV** const bitssvp = hv_fetchs(hv, "BITS", FALSE);
2616     SV** const nonesvp = hv_fetchs(hv, "NONE", FALSE);
2617     /*SV** const extssvp = hv_fetchs(hv, "EXTRAS", FALSE);*/
2618     const U8* const typestr = (U8*)SvPV_nolen(*typesvp);
2619     const STRLEN bits  = SvUV(*bitssvp);
2620     const STRLEN octets = bits >> 3; /* if bits == 1, then octets == 0 */
2621     const UV     none  = SvUV(*nonesvp);
2622
2623     HV* ret = newHV();
2624
2625     PERL_ARGS_ASSERT__SWASH_INVERSION_HASH;
2626
2627     /* Must have at least 8 bits to get the mappings */
2628     if (bits != 8 && bits != 16 && bits != 32) {
2629         Perl_croak(aTHX_ "panic: swash_inversion_hash doesn't expect bits %"UVuf,
2630                                                  (UV)bits);
2631     }
2632
2633     /* read $swash->{LIST} */
2634     l = (U8*)SvPV(*listsvp, lcur);
2635     lend = l + lcur;
2636
2637     /* Go through each input line */
2638     while (l < lend) {
2639         UV min, max, val;
2640         UV inverse;
2641         l = S_swash_scan_list_line(aTHX_ l, lend, &min, &max, &val,
2642                                          cBOOL(octets), typestr);
2643         if (l > lend) {
2644             break;
2645         }
2646
2647         /* Each element in the range is to be inverted */
2648         for (inverse = min; inverse <= max; inverse++) {
2649             AV* list;
2650             SV* element;
2651             SV** listp;
2652             IV i;
2653             bool found_key = FALSE;
2654
2655             /* The key is the inverse mapping */
2656             char key[UTF8_MAXBYTES+1];
2657             char* key_end = (char *) uvuni_to_utf8((U8*) key, val);
2658             STRLEN key_len = key_end - key;
2659
2660             /* And the value is what the forward mapping is from. */
2661             char utf8_inverse[UTF8_MAXBYTES+1];
2662             char *utf8_inverse_end = (char *) uvuni_to_utf8((U8*) utf8_inverse, inverse);
2663
2664             /* Get the list for the map */
2665             if ((listp = hv_fetch(ret, key, key_len, FALSE))) {
2666                 list = (AV*) *listp;
2667             }
2668             else { /* No entry yet for it: create one */
2669                 list = newAV();
2670                 if (! hv_store(ret, key, key_len, (SV*) list, FALSE)) {
2671                     Perl_croak(aTHX_ "panic: hv_store() unexpectedly failed");
2672                 }
2673             }
2674
2675             for (i = 0; i < av_len(list); i++) {
2676                 SV** entryp = av_fetch(list, i, FALSE);
2677                 SV* entry;
2678                 if (entryp == NULL) {
2679                     Perl_croak(aTHX_ "panic: av_fetch() unexpectedly failed");
2680                 }
2681                 entry = *entryp;
2682                 if (SvCUR(entry) != key_len) {
2683                     continue;
2684                 }
2685                 if (memEQ(key, SvPVX(entry), key_len)) {
2686                     found_key = TRUE;
2687                     break;
2688                 }
2689             }
2690             if (! found_key) {
2691                 element = newSVpvn_flags(key, key_len, SVf_UTF8);
2692                 av_push(list, element);
2693             }
2694
2695
2696             /* Simply add the value to the list */
2697             element = newSVpvn_flags(utf8_inverse, utf8_inverse_end - utf8_inverse, SVf_UTF8);
2698             av_push(list, element);
2699
2700             /* swash_get() increments the value of val for each element in the
2701              * range.  That makes more compact tables possible.  You can
2702              * express the capitalization, for example, of all consecutive
2703              * letters with a single line: 0061\t007A\t0041 This maps 0061 to
2704              * 0041, 0062 to 0042, etc.  I (khw) have never understood 'none',
2705              * and it's not documented, and perhaps not even currently used,
2706              * but I copied the semantics from swash_get(), just in case */
2707             if (!none || val < none) {
2708                 ++val;
2709             }
2710         }
2711     }
2712
2713     return ret;
2714 }
2715
2716 /*
2717 =for apidoc uvchr_to_utf8
2718
2719 Adds the UTF-8 representation of the Native code point C<uv> to the end
2720 of the string C<d>; C<d> should be have at least C<UTF8_MAXBYTES+1> free
2721 bytes available. The return value is the pointer to the byte after the
2722 end of the new character. In other words,
2723
2724     d = uvchr_to_utf8(d, uv);
2725
2726 is the recommended wide native character-aware way of saying
2727
2728     *(d++) = uv;
2729
2730 =cut
2731 */
2732
2733 /* On ASCII machines this is normally a macro but we want a
2734    real function in case XS code wants it
2735 */
2736 U8 *
2737 Perl_uvchr_to_utf8(pTHX_ U8 *d, UV uv)
2738 {
2739     PERL_ARGS_ASSERT_UVCHR_TO_UTF8;
2740
2741     return Perl_uvuni_to_utf8_flags(aTHX_ d, NATIVE_TO_UNI(uv), 0);
2742 }
2743
2744 U8 *
2745 Perl_uvchr_to_utf8_flags(pTHX_ U8 *d, UV uv, UV flags)
2746 {
2747     PERL_ARGS_ASSERT_UVCHR_TO_UTF8_FLAGS;
2748
2749     return Perl_uvuni_to_utf8_flags(aTHX_ d, NATIVE_TO_UNI(uv), flags);
2750 }
2751
2752 /*
2753 =for apidoc utf8n_to_uvchr
2754
2755 Returns the native character value of the first character in the string
2756 C<s>
2757 which is assumed to be in UTF-8 encoding; C<retlen> will be set to the
2758 length, in bytes, of that character.
2759
2760 length and flags are the same as utf8n_to_uvuni().
2761
2762 =cut
2763 */
2764 /* On ASCII machines this is normally a macro but we want
2765    a real function in case XS code wants it
2766 */
2767 UV
2768 Perl_utf8n_to_uvchr(pTHX_ const U8 *s, STRLEN curlen, STRLEN *retlen,
2769 U32 flags)
2770 {
2771     const UV uv = Perl_utf8n_to_uvuni(aTHX_ s, curlen, retlen, flags);
2772
2773     PERL_ARGS_ASSERT_UTF8N_TO_UVCHR;
2774
2775     return UNI_TO_NATIVE(uv);
2776 }
2777
2778 bool
2779 Perl_check_utf8_print(pTHX_ register const U8* s, const STRLEN len)
2780 {
2781     /* May change: warns if surrogates, non-character code points, or
2782      * non-Unicode code points are in s which has length len.  Returns TRUE if
2783      * none found; FALSE otherwise.  The only other validity check is to make
2784      * sure that this won't exceed the string's length */
2785
2786     const U8* const e = s + len;
2787     bool ok = TRUE;
2788
2789     PERL_ARGS_ASSERT_CHECK_UTF8_PRINT;
2790
2791     while (s < e) {
2792         if (UTF8SKIP(s) > len) {
2793             Perl_ck_warner_d(aTHX_ packWARN(WARN_UTF8),
2794                            "%s in %s", unees, PL_op ? OP_DESC(PL_op) : "print");
2795             return FALSE;
2796         }
2797         if (*s >= UTF8_FIRST_PROBLEMATIC_CODE_POINT_FIRST_BYTE) {
2798             STRLEN char_len;
2799             if (UTF8_IS_SUPER(s)) {
2800                 UV uv = utf8_to_uvchr(s, &char_len);
2801                 Perl_warner(aTHX_ packWARN(WARN_UTF8),
2802                     "Code point 0x%04"UVXf" is not Unicode, may not be portable", uv);
2803                 ok = FALSE;
2804             }
2805             else if (UTF8_IS_SURROGATE(s)) {
2806                 UV uv = utf8_to_uvchr(s, &char_len);
2807                 Perl_warner(aTHX_ packWARN(WARN_UTF8),
2808                     "Unicode surrogate U+%04"UVXf" is illegal in UTF-8", uv);
2809                 ok = FALSE;
2810             }
2811             else if
2812                 (UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_PROBLEMATIC(s))
2813             {
2814                 UV uv = utf8_to_uvchr(s, &char_len);
2815                 Perl_warner(aTHX_ packWARN(WARN_UTF8),
2816                     "Unicode non-character U+%04"UVXf" is illegal for open interchange", uv);
2817                 ok = FALSE;
2818             }
2819         }
2820         s += UTF8SKIP(s);
2821     }
2822
2823     return ok;
2824 }
2825
2826 /*
2827 =for apidoc pv_uni_display
2828
2829 Build to the scalar dsv a displayable version of the string spv,
2830 length len, the displayable version being at most pvlim bytes long
2831 (if longer, the rest is truncated and "..." will be appended).
2832
2833 The flags argument can have UNI_DISPLAY_ISPRINT set to display
2834 isPRINT()able characters as themselves, UNI_DISPLAY_BACKSLASH
2835 to display the \\[nrfta\\] as the backslashed versions (like '\n')
2836 (UNI_DISPLAY_BACKSLASH is preferred over UNI_DISPLAY_ISPRINT for \\).
2837 UNI_DISPLAY_QQ (and its alias UNI_DISPLAY_REGEX) have both
2838 UNI_DISPLAY_BACKSLASH and UNI_DISPLAY_ISPRINT turned on.
2839
2840 The pointer to the PV of the dsv is returned.
2841
2842 =cut */
2843 char *
2844 Perl_pv_uni_display(pTHX_ SV *dsv, const U8 *spv, STRLEN len, STRLEN pvlim, UV flags)
2845 {
2846     int truncated = 0;
2847     const char *s, *e;
2848
2849     PERL_ARGS_ASSERT_PV_UNI_DISPLAY;
2850
2851     sv_setpvs(dsv, "");
2852     SvUTF8_off(dsv);
2853     for (s = (const char *)spv, e = s + len; s < e; s += UTF8SKIP(s)) {
2854          UV u;
2855           /* This serves double duty as a flag and a character to print after
2856              a \ when flags & UNI_DISPLAY_BACKSLASH is true.
2857           */
2858          char ok = 0;
2859
2860          if (pvlim && SvCUR(dsv) >= pvlim) {
2861               truncated++;
2862               break;
2863          }
2864          u = utf8_to_uvchr((U8*)s, 0);
2865          if (u < 256) {
2866              const unsigned char c = (unsigned char)u & 0xFF;
2867              if (flags & UNI_DISPLAY_BACKSLASH) {
2868                  switch (c) {
2869                  case '\n':
2870                      ok = 'n'; break;
2871                  case '\r':
2872                      ok = 'r'; break;
2873                  case '\t':
2874                      ok = 't'; break;
2875                  case '\f':
2876                      ok = 'f'; break;
2877                  case '\a':
2878                      ok = 'a'; break;
2879                  case '\\':
2880                      ok = '\\'; break;
2881                  default: break;
2882                  }
2883                  if (ok) {
2884                      const char string = ok;
2885                      sv_catpvs(dsv, "\\");
2886                      sv_catpvn(dsv, &string, 1);
2887                  }
2888              }
2889              /* isPRINT() is the locale-blind version. */
2890              if (!ok && (flags & UNI_DISPLAY_ISPRINT) && isPRINT(c)) {
2891                  const char string = c;
2892                  sv_catpvn(dsv, &string, 1);
2893                  ok = 1;
2894              }
2895          }
2896          if (!ok)
2897              Perl_sv_catpvf(aTHX_ dsv, "\\x{%"UVxf"}", u);
2898     }
2899     if (truncated)
2900          sv_catpvs(dsv, "...");
2901
2902     return SvPVX(dsv);
2903 }
2904
2905 /*
2906 =for apidoc sv_uni_display
2907
2908 Build to the scalar dsv a displayable version of the scalar sv,
2909 the displayable version being at most pvlim bytes long
2910 (if longer, the rest is truncated and "..." will be appended).
2911
2912 The flags argument is as in pv_uni_display().
2913
2914 The pointer to the PV of the dsv is returned.
2915
2916 =cut
2917 */
2918 char *
2919 Perl_sv_uni_display(pTHX_ SV *dsv, SV *ssv, STRLEN pvlim, UV flags)
2920 {
2921     PERL_ARGS_ASSERT_SV_UNI_DISPLAY;
2922
2923      return Perl_pv_uni_display(aTHX_ dsv, (const U8*)SvPVX_const(ssv),
2924                                 SvCUR(ssv), pvlim, flags);
2925 }
2926
2927 /*
2928 =for apidoc foldEQ_utf8
2929
2930 Returns true if the leading portions of the strings s1 and s2 (either or both
2931 of which may be in UTF-8) are the same case-insensitively; false otherwise.
2932 How far into the strings to compare is determined by other input parameters.
2933
2934 If u1 is true, the string s1 is assumed to be in UTF-8-encoded Unicode;
2935 otherwise it is assumed to be in native 8-bit encoding.  Correspondingly for u2
2936 with respect to s2.
2937
2938 If the byte length l1 is non-zero, it says how far into s1 to check for fold
2939 equality.  In other words, s1+l1 will be used as a goal to reach.  The
2940 scan will not be considered to be a match unless the goal is reached, and
2941 scanning won't continue past that goal.  Correspondingly for l2 with respect to
2942 s2.
2943
2944 If pe1 is non-NULL and the pointer it points to is not NULL, that pointer is
2945 considered an end pointer beyond which scanning of s1 will not continue under
2946 any circumstances.  This means that if both l1 and pe1 are specified, and pe1
2947 is less than s1+l1, the match will never be successful because it can never
2948 get as far as its goal (and in fact is asserted against).  Correspondingly for
2949 pe2 with respect to s2.
2950
2951 At least one of s1 and s2 must have a goal (at least one of l1 and l2 must be
2952 non-zero), and if both do, both have to be
2953 reached for a successful match.   Also, if the fold of a character is multiple
2954 characters, all of them must be matched (see tr21 reference below for
2955 'folding').
2956
2957 Upon a successful match, if pe1 is non-NULL,
2958 it will be set to point to the beginning of the I<next> character of s1 beyond
2959 what was matched.  Correspondingly for pe2 and s2.
2960
2961 For case-insensitiveness, the "casefolding" of Unicode is used
2962 instead of upper/lowercasing both the characters, see
2963 http://www.unicode.org/unicode/reports/tr21/ (Case Mappings).
2964
2965 =cut */
2966 I32
2967 Perl_foldEQ_utf8(pTHX_ const char *s1, char **pe1, register UV l1, bool u1, const char *s2, char **pe2, register UV l2, bool u2)
2968 {
2969     dVAR;
2970     register const U8 *p1  = (const U8*)s1; /* Point to current char */
2971     register const U8 *p2  = (const U8*)s2;
2972     register const U8 *g1 = NULL;       /* goal for s1 */
2973     register const U8 *g2 = NULL;
2974     register const U8 *e1 = NULL;       /* Don't scan s1 past this */
2975     register U8 *f1 = NULL;             /* Point to current folded */
2976     register const U8 *e2 = NULL;
2977     register U8 *f2 = NULL;
2978     STRLEN n1 = 0, n2 = 0;              /* Number of bytes in current char */
2979     U8 foldbuf1[UTF8_MAXBYTES_CASE+1];
2980     U8 foldbuf2[UTF8_MAXBYTES_CASE+1];
2981     U8 natbuf[2];               /* Holds native 8-bit char converted to utf8;
2982                                    these always fit in 2 bytes */
2983
2984     PERL_ARGS_ASSERT_FOLDEQ_UTF8;
2985
2986     if (pe1) {
2987         e1 = *(U8**)pe1;
2988     }
2989
2990     if (l1) {
2991         g1 = (const U8*)s1 + l1;
2992     }
2993
2994     if (pe2) {
2995         e2 = *(U8**)pe2;
2996     }
2997
2998     if (l2) {
2999         g2 = (const U8*)s2 + l2;
3000     }
3001
3002     /* Must have at least one goal */
3003     assert(g1 || g2);
3004
3005     if (g1) {
3006
3007         /* Will never match if goal is out-of-bounds */
3008         assert(! e1  || e1 >= g1);
3009
3010         /* Here, there isn't an end pointer, or it is beyond the goal.  We
3011         * only go as far as the goal */
3012         e1 = g1;
3013     }
3014     else {
3015         assert(e1);    /* Must have an end for looking at s1 */
3016     }
3017
3018     /* Same for goal for s2 */
3019     if (g2) {
3020         assert(! e2  || e2 >= g2);
3021         e2 = g2;
3022     }
3023     else {
3024         assert(e2);
3025     }
3026
3027     /* Look through both strings, a character at a time */
3028     while (p1 < e1 && p2 < e2) {
3029
3030         /* If at the beginning of a new character in s1, get its fold to use
3031          * and the length of the fold */
3032         if (n1 == 0) {
3033             if (u1) {
3034                 to_utf8_fold(p1, foldbuf1, &n1);
3035             }
3036             else {  /* Not utf8, convert to it first and then get fold */
3037                 uvuni_to_utf8(natbuf, (UV) NATIVE_TO_UNI(((UV)*p1)));
3038                 to_utf8_fold(natbuf, foldbuf1, &n1);
3039             }
3040             f1 = foldbuf1;
3041         }
3042
3043         if (n2 == 0) {    /* Same for s2 */
3044             if (u2) {
3045                 to_utf8_fold(p2, foldbuf2, &n2);
3046             }
3047             else {
3048                 uvuni_to_utf8(natbuf, (UV) NATIVE_TO_UNI(((UV)*p2)));
3049                 to_utf8_fold(natbuf, foldbuf2, &n2);
3050             }
3051             f2 = foldbuf2;
3052         }
3053
3054         /* While there is more to look for in both folds, see if they
3055         * continue to match */
3056         while (n1 && n2) {
3057             U8 fold_length = UTF8SKIP(f1);
3058             if (fold_length != UTF8SKIP(f2)
3059                 || (fold_length == 1 && *f1 != *f2) /* Short circuit memNE
3060                                                        function call for single
3061                                                        character */
3062                 || memNE((char*)f1, (char*)f2, fold_length))
3063             {
3064                 return 0; /* mismatch */
3065             }
3066
3067             /* Here, they matched, advance past them */
3068             n1 -= fold_length;
3069             f1 += fold_length;
3070             n2 -= fold_length;
3071             f2 += fold_length;
3072         }
3073
3074         /* When reach the end of any fold, advance the input past it */
3075         if (n1 == 0) {
3076             p1 += u1 ? UTF8SKIP(p1) : 1;
3077         }
3078         if (n2 == 0) {
3079             p2 += u2 ? UTF8SKIP(p2) : 1;
3080         }
3081     } /* End of loop through both strings */
3082
3083     /* A match is defined by each scan that specified an explicit length
3084     * reaching its final goal, and the other not having matched a partial
3085     * character (which can happen when the fold of a character is more than one
3086     * character). */
3087     if (! ((g1 == 0 || p1 == g1) && (g2 == 0 || p2 == g2)) || n1 || n2) {
3088         return 0;
3089     }
3090
3091     /* Successful match.  Set output pointers */
3092     if (pe1) {
3093         *pe1 = (char*)p1;
3094     }
3095     if (pe2) {
3096         *pe2 = (char*)p2;
3097     }
3098     return 1;
3099 }
3100
3101 /*
3102  * Local variables:
3103  * c-indentation-style: bsd
3104  * c-basic-offset: 4
3105  * indent-tabs-mode: t
3106  * End:
3107  *
3108  * ex: set ts=8 sts=4 sw=4 noet:
3109  */