sometimes fork() isn't available
[perl.git] / utf8.h
1 /*    utf8.h
2  *
3  *    Copyright (C) 2000, 2001, 2002, 2005, 2006, 2007, 2009,
4  *    2010, 2011 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 /* Use UTF-8 as the default script encoding?
12  * Turning this on will break scripts having non-UTF-8 binary
13  * data (such as Latin-1) in string literals. */
14 #ifdef USE_UTF8_SCRIPTS
15 #    define USE_UTF8_IN_NAMES (!IN_BYTES)
16 #else
17 #    define USE_UTF8_IN_NAMES (PL_hints & HINT_UTF8)
18 #endif
19
20 /* For to_utf8_fold_flags, q.v. */
21 #define FOLD_FLAGS_LOCALE 0x1
22 #define FOLD_FLAGS_FULL   0x2
23
24 #define to_uni_fold(c, p, lenp) _to_uni_fold_flags(c, p, lenp, 1)
25 #define to_utf8_fold(c, p, lenp) _to_utf8_fold_flags(c, p, lenp, \
26                      FOLD_FLAGS_FULL, NULL)
27 #define to_utf8_lower(a,b,c) _to_utf8_lower_flags(a,b,c,0, NULL)
28 #define to_utf8_upper(a,b,c) _to_utf8_upper_flags(a,b,c,0, NULL)
29 #define to_utf8_title(a,b,c) _to_utf8_title_flags(a,b,c,0, NULL)
30
31 /* Source backward compatibility. */
32 #define uvuni_to_utf8(d, uv)            uvuni_to_utf8_flags(d, uv, 0)
33 #define is_utf8_string_loc(s, len, ep)  is_utf8_string_loclen(s, len, ep, 0)
34
35 #define foldEQ_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2) \
36                     foldEQ_utf8_flags(s1, pe1, l1, u1, s2, pe2, l2, u2, 0)
37 #define FOLDEQ_UTF8_NOMIX_ASCII (1 << 0)
38 #define FOLDEQ_UTF8_LOCALE      (1 << 1)
39 #define FOLDEQ_S1_ALREADY_FOLDED  (1 << 2)
40 #define FOLDEQ_S2_ALREADY_FOLDED  (1 << 3)
41
42 /*
43 =for apidoc ibcmp_utf8
44
45 This is a synonym for (! foldEQ_utf8())
46
47 =cut
48 */
49 #define ibcmp_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2) \
50                     cBOOL(! foldEQ_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2))
51
52 #ifdef EBCDIC
53 /* The equivalent of these macros but implementing UTF-EBCDIC
54    are in the following header file:
55  */
56
57 #include "utfebcdic.h"
58
59 #else   /* ! EBCDIC */
60 START_EXTERN_C
61
62 #ifdef DOINIT
63 EXTCONST unsigned char PL_utf8skip[] = {
64 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
65 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
66 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
67 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
68 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus */
69 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus */
70 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2, /* scripts */
71 3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,4,4,4,4,4,4,4,4,5,5,5,5,6,6,     /* cjk etc. */
72 7,13, /* Perl extended (not official UTF-8).  Up to 72bit allowed (64-bit +
73          reserved). */
74 };
75 #else
76 EXTCONST unsigned char PL_utf8skip[];
77 #endif
78
79 END_EXTERN_C
80
81 /* Native character to iso-8859-1 */
82 #define NATIVE_TO_ASCII(ch)      (ch)
83 #define ASCII_TO_NATIVE(ch)      (ch)
84 /* Transform after encoding */
85 #define NATIVE_TO_UTF(ch)        (ch)
86 #define UTF_TO_NATIVE(ch)        (ch)
87 /* Transforms in wide UV chars */
88 #define UNI_TO_NATIVE(ch)        (ch)
89 #define NATIVE_TO_UNI(ch)        (ch)
90 /* Transforms in invariant space */
91 #define NATIVE_TO_NEED(enc,ch)   (ch)
92 #define ASCII_TO_NEED(enc,ch)    (ch)
93
94 /* As there are no translations, avoid the function wrapper */
95 #define utf8n_to_uvchr utf8n_to_uvuni
96 #define uvchr_to_utf8  uvuni_to_utf8
97
98 /*
99
100  The following table is from Unicode 3.2.
101
102  Code Points            1st Byte  2nd Byte  3rd Byte  4th Byte
103
104    U+0000..U+007F       00..7F
105    U+0080..U+07FF     * C2..DF    80..BF
106    U+0800..U+0FFF       E0      * A0..BF    80..BF
107    U+1000..U+CFFF       E1..EC    80..BF    80..BF
108    U+D000..U+D7FF       ED        80..9F    80..BF
109    U+D800..U+DFFF       +++++++ utf16 surrogates, not legal utf8 +++++++
110    U+E000..U+FFFF       EE..EF    80..BF    80..BF
111   U+10000..U+3FFFF      F0      * 90..BF    80..BF    80..BF
112   U+40000..U+FFFFF      F1..F3    80..BF    80..BF    80..BF
113  U+100000..U+10FFFF     F4        80..8F    80..BF    80..BF
114
115 Note the gaps before several of the byte entries above marked by '*'.  These are
116 caused by legal UTF-8 avoiding non-shortest encodings: it is technically
117 possible to UTF-8-encode a single code point in different ways, but that is
118 explicitly forbidden, and the shortest possible encoding should always be used
119 (and that is what Perl does).
120
121  */
122
123 /*
124  Another way to look at it, as bits:
125
126  Code Points                    1st Byte   2nd Byte  3rd Byte  4th Byte
127
128                     0aaaaaaa     0aaaaaaa
129             00000bbbbbaaaaaa     110bbbbb  10aaaaaa
130             ccccbbbbbbaaaaaa     1110cccc  10bbbbbb  10aaaaaa
131   00000dddccccccbbbbbbaaaaaa     11110ddd  10cccccc  10bbbbbb  10aaaaaa
132
133 As you can see, the continuation bytes all begin with C<10>, and the
134 leading bits of the start byte tell how many bytes there are in the
135 encoded character.
136
137 Perl's extended UTF-8 means we can have start bytes up to FF.
138
139 */
140
141 #define UNI_IS_INVARIANT(c)             (((UV)c) <  0x80)
142 #define UTF8_IS_START(c)                (((U8)c) >= 0xc2)
143 #define UTF8_IS_CONTINUATION(c)         (((U8)c) >= 0x80 && (((U8)c) <= 0xbf))
144 #define UTF8_IS_CONTINUED(c)            (((U8)c) &  0x80)
145
146 /* Masking with 0xfe allows low bit to be 0 or 1; thus this matches 0xc[23] */
147 #define UTF8_IS_DOWNGRADEABLE_START(c)  (((U8)c & 0xfe) == 0xc2)
148
149 #define UTF_START_MARK(len) (((len) >  7) ? 0xFF : (0xFE << (7-(len))))
150 #define UTF_START_MASK(len) (((len) >= 7) ? 0x00 : (0x1F >> ((len)-2)))
151
152 #define UTF_CONTINUATION_MARK           0x80
153 #define UTF_ACCUMULATION_SHIFT          6
154 #define UTF_CONTINUATION_MASK           ((U8)0x3f)
155
156 /* This sets the UTF_CONTINUATION_MASK in the upper bits of a word.  If a value
157  * is anded with it, and the result is non-zero, then using the original value
158  * in UTF8_ACCUMULATE will overflow, shifting bits off the left */
159 #define UTF_ACCUMULATION_OVERFLOW_MASK                                  \
160     (((UV) UTF_CONTINUATION_MASK) << ((sizeof(UV) * CHARBITS) - UTF_ACCUMULATION_SHIFT))
161
162 #ifdef HAS_QUAD
163 #define UNISKIP(uv) ( (uv) < 0x80           ? 1 : \
164                       (uv) < 0x800          ? 2 : \
165                       (uv) < 0x10000        ? 3 : \
166                       (uv) < 0x200000       ? 4 : \
167                       (uv) < 0x4000000      ? 5 : \
168                       (uv) < 0x80000000     ? 6 : \
169                       (uv) < UTF8_QUAD_MAX ? 7 : 13 )
170 #else
171 /* No, I'm not even going to *TRY* putting #ifdef inside a #define */
172 #define UNISKIP(uv) ( (uv) < 0x80           ? 1 : \
173                       (uv) < 0x800          ? 2 : \
174                       (uv) < 0x10000        ? 3 : \
175                       (uv) < 0x200000       ? 4 : \
176                       (uv) < 0x4000000      ? 5 : \
177                       (uv) < 0x80000000     ? 6 : 7 )
178 #endif
179
180 #endif /* EBCDIC vs ASCII */
181
182 /* Rest of these are attributes of Unicode and perl's internals rather than the
183  * encoding, or happen to be the same in both ASCII and EBCDIC (at least at
184  * this level; the macros that some of these call may have different
185  * definitions in the two encodings */
186
187 #define NATIVE8_TO_UNI(ch)     NATIVE_TO_ASCII(ch)      /* a clearer synonym */
188
189 #define UTF8_ACCUMULATE(old, new)       (((old) << UTF_ACCUMULATION_SHIFT) | (((U8)new) & UTF_CONTINUATION_MASK))
190
191 /* Convert a two (not one) byte utf8 character to a unicode code point value.
192  * Needs just one iteration of accumulate.  Should not be used unless it is
193  * known that the two bytes are legal: 1) two-byte start, and 2) continuation.
194  * Note that the result can be larger than 255 if the input character is not
195  * downgradable */
196 #define TWO_BYTE_UTF8_TO_UNI(HI, LO) \
197                     UTF8_ACCUMULATE((NATIVE_TO_UTF(HI) & UTF_START_MASK(2)), \
198                                      NATIVE_TO_UTF(LO))
199
200 #define UTF8SKIP(s) PL_utf8skip[*(const U8*)(s)]
201
202 #define UTF8_IS_INVARIANT(c)            UNI_IS_INVARIANT(NATIVE_TO_UTF(c))
203 #define NATIVE_IS_INVARIANT(c)          UNI_IS_INVARIANT(NATIVE8_TO_UNI(c))
204
205 #define MAX_PORTABLE_UTF8_TWO_BYTE 0x3FF    /* constrained by EBCDIC */
206
207 /* The macros in the next sets are used to generate the two utf8 or utfebcdic
208  * bytes from an ordinal that is known to fit into two bytes; it must be less
209  * than 0x3FF to work across both encodings. */
210 /* Nocast allows these to be used in the case label of a switch statement */
211 #define UTF8_TWO_BYTE_HI_nocast(c)      UTF_TO_NATIVE(((c) >> UTF_ACCUMULATION_SHIFT) | (0xFF & UTF_START_MARK(2)))
212 #define UTF8_TWO_BYTE_LO_nocast(c)      UTF_TO_NATIVE(((c) & UTF_CONTINUATION_MASK) | UTF_CONTINUATION_MARK)
213
214 #define UTF8_TWO_BYTE_HI(c)     ((U8) (UTF8_TWO_BYTE_HI_nocast(c)))
215 #define UTF8_TWO_BYTE_LO(c)     ((U8) (UTF8_TWO_BYTE_LO_nocast(c)))
216
217 /* This name is used when the source is a single byte */
218 #define UTF8_EIGHT_BIT_HI(c)    UTF8_TWO_BYTE_HI((U8)(c))
219 #define UTF8_EIGHT_BIT_LO(c)    UTF8_TWO_BYTE_LO((U8)(c))
220
221 /*
222  * 'UTF' is whether or not p is encoded in UTF8.  The names 'foo_lazy_if' stem
223  * from an earlier version of these macros in which they didn't call the
224  * foo_utf8() macros (i.e. were 'lazy') unless they decided that *p is the
225  * beginning of a utf8 character.  Now that foo_utf8() determines that itself,
226  * no need to do it again here
227  */
228 #define isIDFIRST_lazy_if(p,UTF) ((IN_BYTES || !UTF ) \
229                                  ? isIDFIRST(*(p)) \
230                                  : isIDFIRST_utf8((const U8*)p))
231 #define isALNUM_lazy_if(p,UTF)   ((IN_BYTES || (!UTF )) \
232                                  ? isALNUM(*(p)) \
233                                  : isALNUM_utf8((const U8*)p))
234
235 #define isIDFIRST_lazy(p)       isIDFIRST_lazy_if(p,1)
236 #define isALNUM_lazy(p)         isALNUM_lazy_if(p,1)
237
238 #define UTF8_MAXBYTES 13
239 /* How wide can a single UTF-8 encoded character become in bytes.
240  * NOTE: Strictly speaking Perl's UTF-8 should not be called UTF-8
241  * since UTF-8 is an encoding of Unicode and given Unicode's current
242  * upper limit only four bytes is possible.  Perl thinks of UTF-8
243  * as a way to encode non-negative integers in a binary format. */
244 #define UTF8_MAXLEN UTF8_MAXBYTES
245
246 /* The maximum number of UTF-8 bytes a single Unicode character can
247  * uppercase/lowercase/fold into; this number depends on the Unicode
248  * version.  An example of maximal expansion is the U+03B0 which
249  * uppercases to U+03C5 U+0308 U+0301.  The Unicode databases that
250  * tell these things are UnicodeData.txt, CaseFolding.txt, and
251  * SpecialCasing.txt.  The value is 6 for strict Unicode characters, but it has
252  * to be as big as Perl allows for a single character */
253 #define UTF8_MAXBYTES_CASE      UTF8_MAXBYTES
254
255 /* A Unicode character can fold to up to 3 characters */
256 #define UTF8_MAX_FOLD_CHAR_EXPAND 3
257
258 #define IN_BYTES (CopHINTS_get(PL_curcop) & HINT_BYTES)
259 #define DO_UTF8(sv) (SvUTF8(sv) && !IN_BYTES)
260 #define IN_UNI_8_BIT \
261             (CopHINTS_get(PL_curcop) & (HINT_UNI_8_BIT|HINT_LOCALE_NOT_CHARS) \
262              && ! IN_LOCALE_RUNTIME && ! IN_BYTES)
263
264
265 #define UTF8_ALLOW_EMPTY                0x0001  /* Allow a zero length string */
266
267 /* Allow first byte to be a continuation byte */
268 #define UTF8_ALLOW_CONTINUATION         0x0002
269
270 /* Allow second... bytes to be non-continuation bytes */
271 #define UTF8_ALLOW_NON_CONTINUATION     0x0004
272
273 /* expecting more bytes than were available in the string */
274 #define UTF8_ALLOW_SHORT                0x0008
275
276 /* Overlong sequence; i.e., the code point can be specified in fewer bytes. */
277 #define UTF8_ALLOW_LONG                 0x0010
278
279 #define UTF8_DISALLOW_SURROGATE         0x0020  /* Unicode surrogates */
280 #define UTF8_WARN_SURROGATE             0x0040
281
282 #define UTF8_DISALLOW_NONCHAR           0x0080  /* Unicode non-character */
283 #define UTF8_WARN_NONCHAR               0x0100  /*  code points */
284
285 #define UTF8_DISALLOW_SUPER             0x0200  /* Super-set of Unicode: code */
286 #define UTF8_WARN_SUPER                 0x0400  /* points above the legal max */
287
288 /* Code points which never were part of the original UTF-8 standard, the first
289  * byte of which is a FE or FF on ASCII platforms. */
290 #define UTF8_DISALLOW_FE_FF             0x0800
291 #define UTF8_WARN_FE_FF                 0x1000
292
293 #define UTF8_CHECK_ONLY                 0x2000
294
295 /* For backwards source compatibility.  They do nothing, as the default now
296  * includes what they used to mean.  The first one's meaning was to allow the
297  * just the single non-character 0xFFFF */
298 #define UTF8_ALLOW_FFFF 0
299 #define UTF8_ALLOW_SURROGATE 0
300
301 #define UTF8_DISALLOW_ILLEGAL_INTERCHANGE (UTF8_DISALLOW_SUPER|UTF8_DISALLOW_NONCHAR|UTF8_DISALLOW_SURROGATE|UTF8_DISALLOW_FE_FF)
302 #define UTF8_WARN_ILLEGAL_INTERCHANGE \
303         (UTF8_WARN_SUPER|UTF8_WARN_NONCHAR|UTF8_WARN_SURROGATE|UTF8_WARN_FE_FF)
304 #define UTF8_ALLOW_ANY \
305             (~(UTF8_DISALLOW_ILLEGAL_INTERCHANGE|UTF8_WARN_ILLEGAL_INTERCHANGE))
306 #define UTF8_ALLOW_ANYUV                                                        \
307          (UTF8_ALLOW_EMPTY                                                      \
308           & ~(UTF8_DISALLOW_ILLEGAL_INTERCHANGE|UTF8_WARN_ILLEGAL_INTERCHANGE))
309 #define UTF8_ALLOW_DEFAULT              (ckWARN(WARN_UTF8) ? 0 : \
310                                          UTF8_ALLOW_ANYUV)
311
312 /* Surrogates, non-character code points and above-Unicode code points are
313  * problematic in some contexts.  This allows code that needs to check for
314  * those to to quickly exclude the vast majority of code points it will
315  * encounter */
316 #ifdef EBCDIC
317 #   define UTF8_FIRST_PROBLEMATIC_CODE_POINT_FIRST_BYTE UTF_TO_NATIVE(0xF1)
318 #else
319 #   define UTF8_FIRST_PROBLEMATIC_CODE_POINT_FIRST_BYTE 0xED
320 #endif
321
322 /*              ASCII              EBCDIC I8
323  * U+D7FF:   \xED\x9F\xBF       \xF1\xB5\xBF\xBF    last before surrogates
324  * U+D800:   \xED\xA0\x80       \xF1\xB6\xA0\xA0    1st surrogate
325  * U+DFFF:   \xED\xBF\xBF       \xF1\xB7\xBF\xBF    final surrogate
326  * U+E000:   \xEE\x80\x80       \xF1\xB8\xA0\xA0    next after surrogates
327  */
328 #ifdef EBCDIC /* Both versions assume well-formed UTF8 */
329 #   define UTF8_IS_SURROGATE(s)  (*(s) == UTF_TO_NATIVE(0xF1)                   \
330     && ((*((s) +1) == UTF_TO_NATIVE(0xB6)) || *((s) + 1) == UTF_TO_NATIVE(0xB7)))
331 #else
332 #   define UTF8_IS_SURROGATE(s) (*(s) == 0xED && *((s) + 1) >= 0xA0)
333 #endif
334
335 /*                ASCII              EBCDIC I8
336  * U+10FFFF: \xF4\x8F\xBF\xBF   \xF9\xA1\xBF\xBF\xBF    max legal Unicode
337  * U+110000: \xF4\x90\x80\x80   \xF9\xA2\xA0\xA0\xA0
338  * U+110001: \xF4\x90\x80\x81   \xF9\xA2\xA0\xA0\xA1
339  */
340 #ifdef EBCDIC /* Both versions assume well-formed UTF8 */
341 #   define UTF8_IS_SUPER(s)  (*(s) >= UTF_TO_NATIVE(0xF9)                       \
342       && (*(s) > UTF_TO_NATIVE(0xF9) || (*((s) + 1) >= UTF_TO_NATIVE(0xA2))))
343 #else
344 #   define UTF8_IS_SUPER(s)  (*(s) >= 0xF4                                      \
345                                         && (*(s) > 0xF4 || (*((s) + 1) >= 0x90)))
346 #endif
347
348 /*         ASCII                     EBCDIC I8
349  * U+FDCF: \xEF\xB7\x8F         \xF1\xBF\xAE\xAF        last before non-char block
350  * U+FDD0: \xEF\xB7\x90         \xF1\xBF\xAE\xB0        first non-char in block
351  * U+FDEF: \xEF\xB7\xAF         \xF1\xBF\xAF\xAF        last non-char in block
352  * U+FDF0: \xEF\xB7\xB0         \xF1\xBF\xAF\xB0        first after non-char block
353  * U+FFFF: \xEF\xBF\xBF         \xF1\xBF\xBF\xBF
354  * U+1FFFF: \xF0\x9F\xBF\xBF    \xF3\xBF\xBF\xBF
355  * U+2FFFF: \xF0\xAF\xBF\xBF    \xF5\xBF\xBF\xBF
356  * U+3FFFF: \xF0\xBF\xBF\xBF    \xF7\xBF\xBF\xBF
357  * U+4FFFF: \xF1\x8F\xBF\xBF    \xF8\xA9\xBF\xBF\xBF
358  * U+5FFFF: \xF1\x9F\xBF\xBF    \xF8\xAB\xBF\xBF\xBF
359  * U+6FFFF: \xF1\xAF\xBF\xBF    \xF8\xAD\xBF\xBF\xBF
360  * U+7FFFF: \xF1\xBF\xBF\xBF    \xF8\xAF\xBF\xBF\xBF
361  * U+8FFFF: \xF2\x8F\xBF\xBF    \xF8\xB1\xBF\xBF\xBF
362  * U+9FFFF: \xF2\x9F\xBF\xBF    \xF8\xB3\xBF\xBF\xBF
363  * U+AFFFF: \xF2\xAF\xBF\xBF    \xF8\xB5\xBF\xBF\xBF
364  * U+BFFFF: \xF2\xBF\xBF\xBF    \xF8\xB7\xBF\xBF\xBF
365  * U+CFFFF: \xF3\x8F\xBF\xBF    \xF8\xB9\xBF\xBF\xBF
366  * U+DFFFF: \xF3\x9F\xBF\xBF    \xF8\xBB\xBF\xBF\xBF
367  * U+EFFFF: \xF3\xAF\xBF\xBF    \xF8\xBD\xBF\xBF\xBF
368  * U+FFFFF: \xF3\xBF\xBF\xBF    \xF8\xBF\xBF\xBF\xBF
369  * U+10FFFF: \xF4\x8F\xBF\xBF   \xF9\xA1\xBF\xBF\xBF
370  */
371 #define UTF8_IS_NONCHAR_(s) (                                                   \
372     *(s) >= UTF8_FIRST_PROBLEMATIC_CODE_POINT_FIRST_BYTE                        \
373     && ! UTF8_IS_SUPER(s)                                                       \
374     && UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_FIRST_PROBLEMATIC(s)         \
375
376 #ifdef EBCDIC /* Both versions assume well-formed UTF8 */
377 #   define UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_PROBLEMATIC(s)           \
378     ((*(s) == UTF_TO_NATIVE(0xF1)                                               \
379        && (*((s) + 1) == UTF_TO_NATIVE(0xBF)                                    \
380        &&    ((*((s) + 2) == UTF_TO_NATIVE(0xAE)                                \
381             && *((s) + 3) >= UTF_TO_NATIVE(0xB0))                               \
382           || (*((s) + 2) == UTF_TO_NATIVE(0xAF)                                 \
383             && *((s) + 3) <= UTF_TO_NATIVE(0xAF)))))                            \
384     || (UTF8SKIP(*(s)) > 3                                                      \
385         /* (These were all derived by inspection and experimentation with an */ \
386         /* editor)  The next line checks the next to final byte in the char */  \
387         && *((s) + UTF8SKIP(*(s)) - 2) == UTF_TO_NATIVE(0xBF)                   \
388         && *((s) + UTF8SKIP(*(s)) - 3) == UTF_TO_NATIVE(0xBF)                   \
389         && (NATIVE_TO_UTF(*((s) + UTF8SKIP(*(s)) - 4)) & 0x81) == 0x81          \
390         && (NATIVE_TO_UTF(*((s) + UTF8SKIP(*(s)) - 1)) & 0xBE) == 0XBE))
391 #else
392 #   define UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_PROBLEMATIC(s)           \
393     ((*(s) == 0xEF                                                              \
394         && ((*((s) + 1) == 0xB7 && (*((s) + 2) >= 0x90 && (*((s) + 2) <= 0xAF)))\
395                 /* Gets U+FFF[EF] */                                            \
396             || (*((s) + 1) == 0xBF && ((*((s) + 2) & 0xBE) == 0xBE))))          \
397  || ((*((s) + 2) == 0xBF                                                        \
398          && (*((s) + 3) & 0xBE) == 0xBE                                         \
399             /* Excludes things like U+10FFE = \xF0\x90\xBF\xBE */               \
400          && (*((s) + 1) & 0x8F) == 0x8F)))
401 #endif
402
403 #define UNICODE_SURROGATE_FIRST         0xD800
404 #define UNICODE_SURROGATE_LAST          0xDFFF
405 #define UNICODE_REPLACEMENT             0xFFFD
406 #define UNICODE_BYTE_ORDER_MARK         0xFEFF
407
408 /* Though our UTF-8 encoding can go beyond this,
409  * let's be conservative and do as Unicode says. */
410 #define PERL_UNICODE_MAX        0x10FFFF
411
412 #define UNICODE_WARN_SURROGATE     0x0001       /* UTF-16 surrogates */
413 #define UNICODE_WARN_NONCHAR       0x0002       /* Non-char code points */
414 #define UNICODE_WARN_SUPER         0x0004       /* Above 0x10FFFF */
415 #define UNICODE_WARN_FE_FF         0x0008       /* Above 0x10FFFF */
416 #define UNICODE_DISALLOW_SURROGATE 0x0010
417 #define UNICODE_DISALLOW_NONCHAR   0x0020
418 #define UNICODE_DISALLOW_SUPER     0x0040
419 #define UNICODE_DISALLOW_FE_FF     0x0080
420 #define UNICODE_WARN_ILLEGAL_INTERCHANGE \
421     (UNICODE_WARN_SURROGATE|UNICODE_WARN_NONCHAR|UNICODE_WARN_SUPER)
422 #define UNICODE_DISALLOW_ILLEGAL_INTERCHANGE \
423     (UNICODE_DISALLOW_SURROGATE|UNICODE_DISALLOW_NONCHAR|UNICODE_DISALLOW_SUPER)
424
425 /* For backward source compatibility, as are now the default */
426 #define UNICODE_ALLOW_SURROGATE 0
427 #define UNICODE_ALLOW_SUPER     0
428 #define UNICODE_ALLOW_ANY       0
429
430 #define UNICODE_IS_SURROGATE(c)         ((c) >= UNICODE_SURROGATE_FIRST && \
431                                          (c) <= UNICODE_SURROGATE_LAST)
432 #define UNICODE_IS_REPLACEMENT(c)       ((c) == UNICODE_REPLACEMENT)
433 #define UNICODE_IS_BYTE_ORDER_MARK(c)   ((c) == UNICODE_BYTE_ORDER_MARK)
434 #define UNICODE_IS_NONCHAR(c)           ((c >= 0xFDD0 && c <= 0xFDEF) \
435                         /* The other noncharacters end in FFFE or FFFF, which  \
436                          * the mask below catches both of, but beyond the last \
437                          * official unicode code point, they aren't            \
438                          * noncharacters, since those aren't Unicode           \
439                          * characters at all */                                \
440                         || ((((c & 0xFFFE) == 0xFFFE)) && ! UNICODE_IS_SUPER(c)))
441 #define UNICODE_IS_SUPER(c)             ((c) > PERL_UNICODE_MAX)
442 #define UNICODE_IS_FE_FF(c)             ((c) > 0x7FFFFFFF)
443
444 #ifdef HAS_QUAD
445 #    define UTF8_QUAD_MAX       UINT64_C(0x1000000000)
446 #endif
447
448 #define UNICODE_GREEK_CAPITAL_LETTER_SIGMA      0x03A3
449 #define UNICODE_GREEK_SMALL_LETTER_FINAL_SIGMA  0x03C2
450 #define UNICODE_GREEK_SMALL_LETTER_SIGMA        0x03C3
451 #define GREEK_SMALL_LETTER_MU                   0x03BC
452 #define GREEK_CAPITAL_LETTER_MU 0x039C  /* Upper and title case of MICRON */
453 #define LATIN_CAPITAL_LETTER_Y_WITH_DIAERESIS 0x0178    /* Also is title case */
454 #define LATIN_CAPITAL_LETTER_SHARP_S    0x1E9E
455
456 #define UNI_DISPLAY_ISPRINT     0x0001
457 #define UNI_DISPLAY_BACKSLASH   0x0002
458 #define UNI_DISPLAY_QQ          (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
459 #define UNI_DISPLAY_REGEX       (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
460
461 #ifndef EBCDIC
462 #   define LATIN_SMALL_LETTER_SHARP_S   0x00DF
463 #   define LATIN_SMALL_LETTER_Y_WITH_DIAERESIS 0x00FF
464 #   define MICRO_SIGN 0x00B5
465 #   define LATIN_CAPITAL_LETTER_A_WITH_RING_ABOVE 0x00C5
466 #   define LATIN_SMALL_LETTER_A_WITH_RING_ABOVE 0x00E5
467 #endif
468
469 #define ANYOF_FOLD_SHARP_S(node, input, end)    \
470         (ANYOF_BITMAP_TEST(node, LATIN_SMALL_LETTER_SHARP_S) && \
471          (ANYOF_NONBITMAP(node)) && \
472          (ANYOF_FLAGS(node) & ANYOF_LOC_NONBITMAP_FOLD) && \
473          ((end) > (input) + 1) && \
474          toLOWER((input)[0]) == 's' && \
475          toLOWER((input)[1]) == 's')
476 #define SHARP_S_SKIP 2
477
478 #ifndef EBCDIC
479 #   define IS_UTF8_CHAR_1(p)    \
480         ((p)[0] <= 0x7F)
481 #   define IS_UTF8_CHAR_2(p)    \
482         ((p)[0] >= 0xC2 && (p)[0] <= 0xDF && \
483          (p)[1] >= 0x80 && (p)[1] <= 0xBF)
484 #   define IS_UTF8_CHAR_3a(p)   \
485         ((p)[0] == 0xE0 && \
486          (p)[1] >= 0xA0 && (p)[1] <= 0xBF && \
487          (p)[2] >= 0x80 && (p)[2] <= 0xBF)
488 #   define IS_UTF8_CHAR_3b(p)   \
489         ((p)[0] >= 0xE1 && (p)[0] <= 0xEC && \
490          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
491          (p)[2] >= 0x80 && (p)[2] <= 0xBF)
492 #   define IS_UTF8_CHAR_3c(p)   \
493         ((p)[0] == 0xED && \
494          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
495          (p)[2] >= 0x80 && (p)[2] <= 0xBF)
496     /* In IS_UTF8_CHAR_3c(p) one could use
497      * (p)[1] >= 0x80 && (p)[1] <= 0x9F
498      * if one wanted to exclude surrogates. */
499 #   define IS_UTF8_CHAR_3d(p)   \
500         ((p)[0] >= 0xEE && (p)[0] <= 0xEF && \
501          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
502          (p)[2] >= 0x80 && (p)[2] <= 0xBF)
503 #   define IS_UTF8_CHAR_4a(p)   \
504         ((p)[0] == 0xF0 && \
505          (p)[1] >= 0x90 && (p)[1] <= 0xBF && \
506          (p)[2] >= 0x80 && (p)[2] <= 0xBF && \
507          (p)[3] >= 0x80 && (p)[3] <= 0xBF)
508 #   define IS_UTF8_CHAR_4b(p)   \
509         ((p)[0] >= 0xF1 && (p)[0] <= 0xF3 && \
510          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
511          (p)[2] >= 0x80 && (p)[2] <= 0xBF && \
512          (p)[3] >= 0x80 && (p)[3] <= 0xBF)
513 /* In IS_UTF8_CHAR_4c(p) one could use
514  * (p)[0] == 0xF4
515  * if one wanted to stop at the Unicode limit U+10FFFF.
516  * The 0xF7 allows us to go to 0x1fffff (0x200000 would
517  * require five bytes).  Not doing any further code points
518  * since that is not needed (and that would not be strict
519  * UTF-8, anyway).  The "slow path" in Perl_is_utf8_char()
520  * will take care of the "extended UTF-8". */
521 #   define IS_UTF8_CHAR_4c(p)   \
522         ((p)[0] >= 0xF4 && (p)[0] <= 0xF7 && \
523          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
524          (p)[2] >= 0x80 && (p)[2] <= 0xBF && \
525          (p)[3] >= 0x80 && (p)[3] <= 0xBF)
526
527 #   define IS_UTF8_CHAR_3(p)    \
528         (IS_UTF8_CHAR_3a(p) || \
529          IS_UTF8_CHAR_3b(p) || \
530          IS_UTF8_CHAR_3c(p) || \
531          IS_UTF8_CHAR_3d(p))
532 #   define IS_UTF8_CHAR_4(p)    \
533         (IS_UTF8_CHAR_4a(p) || \
534          IS_UTF8_CHAR_4b(p) || \
535          IS_UTF8_CHAR_4c(p))
536
537 /* IS_UTF8_CHAR(p) is strictly speaking wrong (not UTF-8) because it
538  * (1) allows UTF-8 encoded UTF-16 surrogates
539  * (2) it allows code points past U+10FFFF.
540  * The Perl_is_utf8_char() full "slow" code will handle the Perl
541  * "extended UTF-8". */
542 #   define IS_UTF8_CHAR(p, n)   \
543         ((n) == 1 ? IS_UTF8_CHAR_1(p) : \
544          (n) == 2 ? IS_UTF8_CHAR_2(p) : \
545          (n) == 3 ? IS_UTF8_CHAR_3(p) : \
546          (n) == 4 ? IS_UTF8_CHAR_4(p) : 0)
547
548 #   define IS_UTF8_CHAR_FAST(n) ((n) <= 4)
549
550 #else   /* EBCDIC */
551
552 /* This is an attempt to port IS_UTF8_CHAR to EBCDIC based on eyeballing.
553  * untested.  If want to exclude surrogates and above-Unicode, see the
554  * definitions for UTF8_IS_SURROGATE  and UTF8_IS_SUPER */
555 #   define IS_UTF8_CHAR_1(p)    \
556         (NATIVE_TO_ASCII((p)[0]) <= 0x9F)
557 #   define IS_UTF8_CHAR_2(p)    \
558         (NATIVE_TO_I8((p)[0]) >= 0xC5 && NATIVE_TO_I8((p)[0]) <= 0xDF && \
559          NATIVE_TO_I8((p)[1]) >= 0xA0 && NATIVE_TO_I8((p)[1]) <= 0xBF)
560 #   define IS_UTF8_CHAR_3(p)    \
561         (NATIVE_TO_I8((p)[0]) == 0xE1 && NATIVE_TO_I8((p)[1]) <= 0xEF && \
562          NATIVE_TO_I8((p)[1]) >= 0xA0 && NATIVE_TO_I8((p)[1]) <= 0xBF && \
563          NATIVE_TO_I8((p)[2]) >= 0xA0 && NATIVE_TO_I8((p)[2]) <= 0xBF)
564 #   define IS_UTF8_CHAR_4a(p)   \
565         (NATIVE_TO_I8((p)[0]) == 0xF0 && \
566          NATIVE_TO_I8((p)[1]) >= 0xB0 && NATIVE_TO_I8((p)[1]) <= 0xBF && \
567          NATIVE_TO_I8((p)[2]) >= 0xA0 && NATIVE_TO_I8((p)[2]) <= 0xBF && \
568          NATIVE_TO_I8((p)[3]) >= 0xA0 && NATIVE_TO_I8((p)[3]) <= 0xBF)
569 #   define IS_UTF8_CHAR_4b(p)   \
570         (NATIVE_TO_I8((p)[0]) >= 0xF1 && NATIVE_TO_I8((p)[0]) <= 0xF7 && \
571          NATIVE_TO_I8((p)[1]) >= 0xA0 && NATIVE_TO_I8((p)[1]) <= 0xBF && \
572          NATIVE_TO_I8((p)[2]) >= 0xA0 && NATIVE_TO_I8((p)[2]) <= 0xBF && \
573          NATIVE_TO_I8((p)[3]) >= 0xA0 && NATIVE_TO_I8((p)[3]) <= 0xBF)
574 #   define IS_UTF8_CHAR_5a(p)   \
575         (NATIVE_TO_I8((p)[0]) == 0xF8 && \
576          NATIVE_TO_I8((p)[1]) >= 0xA8 && NATIVE_TO_I8((p)[1]) <= 0xBF && \
577          NATIVE_TO_I8((p)[1]) >= 0xA0 && NATIVE_TO_I8((p)[1]) <= 0xBF && \
578          NATIVE_TO_I8((p)[2]) >= 0xA0 && NATIVE_TO_I8((p)[2]) <= 0xBF && \
579          NATIVE_TO_I8((p)[3]) >= 0xA0 && NATIVE_TO_I8((p)[3]) <= 0xBF)
580 #   define IS_UTF8_CHAR_5b(p)   \
581          (NATIVE_TO_I8((p)[0]) >= 0xF9 && NATIVE_TO_I8((p)[1]) <= 0xFB && \
582          NATIVE_TO_I8((p)[1]) >= 0xA0 && NATIVE_TO_I8((p)[1]) <= 0xBF && \
583          NATIVE_TO_I8((p)[1]) >= 0xA0 && NATIVE_TO_I8((p)[1]) <= 0xBF && \
584          NATIVE_TO_I8((p)[2]) >= 0xA0 && NATIVE_TO_I8((p)[2]) <= 0xBF && \
585          NATIVE_TO_I8((p)[3]) >= 0xA0 && NATIVE_TO_I8((p)[3]) <= 0xBF)
586
587 #   define IS_UTF8_CHAR_4(p)    \
588         (IS_UTF8_CHAR_4a(p) || \
589          IS_UTF8_CHAR_4b(p))
590 #   define IS_UTF8_CHAR_5(p)    \
591         (IS_UTF8_CHAR_5a(p) || \
592          IS_UTF8_CHAR_5b(p))
593 #   define IS_UTF8_CHAR(p, n)   \
594         ((n) == 1 ? IS_UTF8_CHAR_1(p) : \
595          (n) == 2 ? IS_UTF8_CHAR_2(p) : \
596          (n) == 3 ? IS_UTF8_CHAR_3(p) : \
597          (n) == 4 ? IS_UTF8_CHAR_4(p) : \
598          (n) == 5 ? IS_UTF8_CHAR_5(p) : 0)
599
600 #   define IS_UTF8_CHAR_FAST(n) ((n) <= 5)
601
602 #endif /* IS_UTF8_CHAR() for UTF-8 */
603
604 /*
605  * Local variables:
606  * c-indentation-style: bsd
607  * c-basic-offset: 4
608  * indent-tabs-mode: t
609  * End:
610  *
611  * ex: set ts=8 sts=4 sw=4 noet:
612  */