bump version to v5.23.0
[perl.git] / utf8.h
1 /*    utf8.h
2  *
3  * This file contains definitions for use with the UTF-8 encoding.  It
4  * actually also works with the variant UTF-8 encoding called UTF-EBCDIC, and
5  * hides almost all of the differences between these from the caller.  In other
6  * words, someone should #include this file, and if the code is being compiled
7  * on an EBCDIC platform, things should mostly just work.
8  *
9  *    Copyright (C) 2000, 2001, 2002, 2005, 2006, 2007, 2009,
10  *    2010, 2011 by Larry Wall and others
11  *
12  *    You may distribute under the terms of either the GNU General Public
13  *    License or the Artistic License, as specified in the README file.
14  *
15  */
16
17 #ifndef H_UTF8      /* Guard against recursive inclusion */
18 #define H_UTF8 1
19
20 /* Use UTF-8 as the default script encoding?
21  * Turning this on will break scripts having non-UTF-8 binary
22  * data (such as Latin-1) in string literals. */
23 #ifdef USE_UTF8_SCRIPTS
24 #    define USE_UTF8_IN_NAMES (!IN_BYTES)
25 #else
26 #    define USE_UTF8_IN_NAMES (PL_hints & HINT_UTF8)
27 #endif
28
29 #include "regcharclass.h"
30 #include "unicode_constants.h"
31
32 /* For to_utf8_fold_flags, q.v. */
33 #define FOLD_FLAGS_LOCALE 0x1
34 #define FOLD_FLAGS_FULL   0x2
35 #define FOLD_FLAGS_NOMIX_ASCII 0x4
36
37 /* For _core_swash_init(), internal core use only */
38 #define _CORE_SWASH_INIT_USER_DEFINED_PROPERTY 0x1
39 #define _CORE_SWASH_INIT_RETURN_IF_UNDEF       0x2
40 #define _CORE_SWASH_INIT_ACCEPT_INVLIST        0x4
41
42 /*
43 =head1 Unicode Support
44 L<perlguts/Unicode Support> has an introduction to this API.
45
46 See also L</Character classification>,
47 and L</Character case changing>.
48 Various functions outside this section also work specially with Unicode.
49 Search for the string "utf8" in this document.
50
51 =for apidoc is_ascii_string
52
53 This is a misleadingly-named synonym for L</is_invariant_string>.
54 On ASCII-ish platforms, the name isn't misleading: the ASCII-range characters
55 are exactly the UTF-8 invariants.  But EBCDIC machines have more invariants
56 than just the ASCII characters, so C<is_invariant_string> is preferred.
57
58 =cut
59 */
60 #define is_ascii_string(s, len)     is_invariant_string(s, len)
61
62 #define uvchr_to_utf8(a,b)          uvchr_to_utf8_flags(a,b,0)
63 #define uvchr_to_utf8_flags(d,uv,flags)                                        \
64                             uvoffuni_to_utf8_flags(d,NATIVE_TO_UNI(uv),flags)
65 #define utf8_to_uvchr_buf(s, e, lenp)                                          \
66                      utf8n_to_uvchr(s, (U8*)(e) - (U8*)(s), lenp,              \
67                                     ckWARN_d(WARN_UTF8) ? 0 : UTF8_ALLOW_ANY)
68
69 #define to_uni_fold(c, p, lenp) _to_uni_fold_flags(c, p, lenp, FOLD_FLAGS_FULL)
70 #define to_utf8_fold(c, p, lenp) _to_utf8_fold_flags(c, p, lenp, FOLD_FLAGS_FULL)
71 #define to_utf8_lower(a,b,c) _to_utf8_lower_flags(a,b,c,0)
72 #define to_utf8_upper(a,b,c) _to_utf8_upper_flags(a,b,c,0)
73 #define to_utf8_title(a,b,c) _to_utf8_title_flags(a,b,c,0)
74
75 /* Source backward compatibility. */
76 #define is_utf8_string_loc(s, len, ep)  is_utf8_string_loclen(s, len, ep, 0)
77
78 #define foldEQ_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2) \
79                     foldEQ_utf8_flags(s1, pe1, l1, u1, s2, pe2, l2, u2, 0)
80 #define FOLDEQ_UTF8_NOMIX_ASCII   (1 << 0)
81 #define FOLDEQ_LOCALE             (1 << 1)
82 #define FOLDEQ_S1_ALREADY_FOLDED  (1 << 2)
83 #define FOLDEQ_S2_ALREADY_FOLDED  (1 << 3)
84 #define FOLDEQ_S1_FOLDS_SANE      (1 << 4)
85 #define FOLDEQ_S2_FOLDS_SANE      (1 << 5)
86
87 #define ibcmp_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2) \
88                     cBOOL(! foldEQ_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2))
89
90 #ifdef EBCDIC
91 /* The equivalent of these macros but implementing UTF-EBCDIC
92    are in the following header file:
93  */
94
95 #include "utfebcdic.h"
96
97 #else   /* ! EBCDIC */
98 START_EXTERN_C
99
100 #ifdef DOINIT
101 EXTCONST unsigned char PL_utf8skip[] = {
102 /* 0x00 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
103 /* 0x10 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
104 /* 0x20 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
105 /* 0x30 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
106 /* 0x40 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
107 /* 0x50 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
108 /* 0x60 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
109 /* 0x70 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
110 /* 0x80 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
111 /* 0x90 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
112 /* 0xA0 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
113 /* 0xB0 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
114 /* 0xC0 */ 2,2,                             /* overlong */
115 /* 0xC2 */ 2,2,2,2,2,2,2,2,2,2,2,2,2,2,     /* U+0080 to U+03FF */
116 /* 0xD0 */ 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2, /* U+0400 to U+07FF */
117 /* 0xE0 */ 3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3, /* U+0800 to U+FFFF */
118 /* 0xF0 */ 4,4,4,4,4,4,4,4,5,5,5,5,6,6,     /* above BMP to 2**31 - 1 */
119 /* 0xFE */ 7,13, /* Perl extended (never was official UTF-8).  Up to 72bit
120                     allowed (64-bit + reserved). */
121 };
122 #else
123 EXTCONST unsigned char PL_utf8skip[];
124 #endif
125
126 END_EXTERN_C
127
128 /* Native character to/from iso-8859-1.  Are the identity functions on ASCII
129  * platforms */
130 #define NATIVE_TO_LATIN1(ch)     (ch)
131 #define LATIN1_TO_NATIVE(ch)     (ch)
132
133 /* I8 is an intermediate version of UTF-8 used only in UTF-EBCDIC.  We thus
134  * consider it to be identical to UTF-8 on ASCII platforms.  Strictly speaking
135  * UTF-8 and UTF-EBCDIC are two different things, but we often conflate them
136  * because they are 8-bit encodings that serve the same purpose in Perl, and
137  * rarely do we need to distinguish them.  The term "NATIVE_UTF8" applies to
138  * whichever one is applicable on the current platform */
139 #define NATIVE_UTF8_TO_I8(ch) (ch)
140 #define I8_TO_NATIVE_UTF8(ch) (ch)
141
142 /* Transforms in wide UV chars */
143 #define UNI_TO_NATIVE(ch)        (ch)
144 #define NATIVE_TO_UNI(ch)        (ch)
145
146 /*
147
148  The following table is from Unicode 3.2.
149
150  Code Points            1st Byte  2nd Byte  3rd Byte  4th Byte
151
152    U+0000..U+007F       00..7F
153    U+0080..U+07FF     * C2..DF    80..BF
154    U+0800..U+0FFF       E0      * A0..BF    80..BF
155    U+1000..U+CFFF       E1..EC    80..BF    80..BF
156    U+D000..U+D7FF       ED        80..9F    80..BF
157    U+D800..U+DFFF       ED        A0..BF    80..BF  (surrogates)
158    U+E000..U+FFFF       EE..EF    80..BF    80..BF
159   U+10000..U+3FFFF      F0      * 90..BF    80..BF    80..BF
160   U+40000..U+FFFFF      F1..F3    80..BF    80..BF    80..BF
161  U+100000..U+10FFFF     F4        80..8F    80..BF    80..BF
162     Below are non-Unicode code points
163  U+110000..U+13FFFF     F4        90..BF    80..BF    80..BF
164  U+110000..U+1FFFFF     F5..F7    80..BF    80..BF    80..BF
165  U+200000..:            F8..    * 88..BF    80..BF    80..BF    80..BF
166
167 Note the gaps before several of the byte entries above marked by '*'.  These are
168 caused by legal UTF-8 avoiding non-shortest encodings: it is technically
169 possible to UTF-8-encode a single code point in different ways, but that is
170 explicitly forbidden, and the shortest possible encoding should always be used
171 (and that is what Perl does).  The non-shortest ones are called 'overlongs'.
172
173  */
174
175 /*
176  Another way to look at it, as bits:
177
178                   Code Points      1st Byte   2nd Byte   3rd Byte   4th Byte
179
180                         0aaa aaaa  0aaa aaaa
181               0000 0bbb bbaa aaaa  110b bbbb  10aa aaaa
182               cccc bbbb bbaa aaaa  1110 cccc  10bb bbbb  10aa aaaa
183  00 000d ddcc cccc bbbb bbaa aaaa  1111 0ddd  10cc cccc  10bb bbbb  10aa aaaa
184
185 As you can see, the continuation bytes all begin with C<10>, and the
186 leading bits of the start byte tell how many bytes there are in the
187 encoded character.
188
189 Perl's extended UTF-8 means we can have start bytes up to FF.
190
191 */
192
193 /* Is the representation of the Unicode code point 'c' the same regardless of
194  * being encoded in UTF-8 or not? */
195 #define UNI_IS_INVARIANT(c)             (((UV)c) <  0x80)
196
197 /* Is the UTF8-encoded byte 'c' part of a variant sequence in UTF-8?  This is
198  * the inverse of UTF8_IS_INVARIANT */
199 #define UTF8_IS_CONTINUED(c)            (((U8)c) &  0x80)
200
201 /* Is the byte 'c' the first byte of a multi-byte UTF8-8 encoded sequence?
202  * This doesn't catch invariants (they are single-byte).  It also excludes the
203  * illegal overlong sequences that begin with C0 and C1. */
204 #define UTF8_IS_START(c)                (((U8)c) >= 0xc2)
205
206 /* Is the byte 'c' part of a multi-byte UTF8-8 encoded sequence, and not the
207  * first byte thereof?  */
208 #define UTF8_IS_CONTINUATION(c)         ((((U8)c) & 0xC0) == 0x80)
209
210 /* Is the UTF8-encoded byte 'c' the first byte of a two byte sequence?  Use
211  * UTF8_IS_NEXT_CHAR_DOWNGRADEABLE() instead if the input isn't known to
212  * be well-formed.  Masking with 0xfe allows the low bit to be 0 or 1; thus
213  * this matches 0xc[23]. */
214 #define UTF8_IS_DOWNGRADEABLE_START(c)  (((U8)(c) & 0xfe) == 0xc2)
215
216 /* Is the UTF8-encoded byte 'c' the first byte of a sequence of bytes that
217  * represent a code point > 255? */
218 #define UTF8_IS_ABOVE_LATIN1(c) ((U8)(c) >= 0xc4)
219
220 /* This defines the 1-bits that are to be in the first byte of a multi-byte
221  * UTF-8 encoded character that give the number of bytes that comprise the
222  * character. 'len' is the number of bytes in the multi-byte sequence. */
223 #define UTF_START_MARK(len) (((len) >  7) ? 0xFF : (0xFF & (0xFE << (7-(len)))))
224
225 /* Masks out the initial one bits in a start byte, leaving the real data ones.
226  * Doesn't work on an invariant byte.  'len' is the number of bytes in the
227  * multi-byte sequence that comprises the character. */
228 #define UTF_START_MASK(len) (((len) >= 7) ? 0x00 : (0x1F >> ((len)-2)))
229
230 /* This defines the bits that are to be in the continuation bytes of a multi-byte
231  * UTF-8 encoded character that indicate it is a continuation byte. */
232 #define UTF_CONTINUATION_MARK           0x80
233
234 /* This is the number of low-order bits a continuation byte in a UTF-8 encoded
235  * sequence contributes to the specification of the code point.  In the bit
236  * maps above, you see that the first 2 bits are a constant '10', leaving 6 of
237  * real information */
238 #define UTF_ACCUMULATION_SHIFT          6
239
240 /* 2**UTF_ACCUMULATION_SHIFT - 1 */
241 #define UTF_CONTINUATION_MASK           ((U8)0x3f)
242
243 /* If a value is anded with this, and the result is non-zero, then using the
244  * original value in UTF8_ACCUMULATE will overflow, shifting bits off the left
245  * */
246 #define UTF_ACCUMULATION_OVERFLOW_MASK                                  \
247     (((UV) UTF_CONTINUATION_MASK) << ((sizeof(UV) * CHARBITS)           \
248            - UTF_ACCUMULATION_SHIFT))
249
250 #if UVSIZE >= 8
251 #  define UTF8_QUAD_MAX UINT64_C(0x1000000000)
252
253 /* Input is a true Unicode (not-native) code point */
254 #define OFFUNISKIP(uv) ( (uv) < 0x80        ? 1 : \
255                       (uv) < 0x800          ? 2 : \
256                       (uv) < 0x10000        ? 3 : \
257                       (uv) < 0x200000       ? 4 : \
258                       (uv) < 0x4000000      ? 5 : \
259                       (uv) < 0x80000000     ? 6 : \
260                       (uv) < UTF8_QUAD_MAX ? 7 : 13 )
261 #else
262 /* No, I'm not even going to *TRY* putting #ifdef inside a #define */
263 #define OFFUNISKIP(uv) ( (uv) < 0x80        ? 1 : \
264                       (uv) < 0x800          ? 2 : \
265                       (uv) < 0x10000        ? 3 : \
266                       (uv) < 0x200000       ? 4 : \
267                       (uv) < 0x4000000      ? 5 : \
268                       (uv) < 0x80000000     ? 6 : 7 )
269 #endif
270
271 /* How wide can a single UTF-8 encoded character become in bytes. */
272 /* NOTE: Strictly speaking Perl's UTF-8 should not be called UTF-8 since UTF-8
273  * is an encoding of Unicode, and Unicode's upper limit, 0x10FFFF, can be
274  * expressed with 4 bytes.  However, Perl thinks of UTF-8 as a way to encode
275  * non-negative integers in a binary format, even those above Unicode */
276 #define UTF8_MAXBYTES 13
277
278 /* The maximum number of UTF-8 bytes a single Unicode character can
279  * uppercase/lowercase/fold into.  Unicode guarantees that the maximum
280  * expansion is 3 characters.  On ASCIIish platforms, the highest Unicode
281  * character occupies 4 bytes, therefore this number would be 12, but this is
282  * smaller than the maximum width a single above-Unicode character can occupy,
283  * so use that instead */
284 #if UTF8_MAXBYTES < 12
285 #error UTF8_MAXBYTES must be at least 12
286 #endif
287
288 /* ^? is defined to be DEL on ASCII systems.  See the definition of toCTRL()
289  * for more */
290 #define QUESTION_MARK_CTRL  DEL_NATIVE
291
292 #define MAX_UTF8_TWO_BYTE 0x7FF
293
294 #define UTF8_MAXBYTES_CASE      UTF8_MAXBYTES
295
296 #endif /* EBCDIC vs ASCII */
297
298 /* Rest of these are attributes of Unicode and perl's internals rather than the
299  * encoding, or happen to be the same in both ASCII and EBCDIC (at least at
300  * this level; the macros that some of these call may have different
301  * definitions in the two encodings */
302
303 /* In domain restricted to ASCII, these may make more sense to the reader than
304  * the ones with Latin1 in the name */
305 #define NATIVE_TO_ASCII(ch)      NATIVE_TO_LATIN1(ch)
306 #define ASCII_TO_NATIVE(ch)      LATIN1_TO_NATIVE(ch)
307
308 /* More or less misleadingly-named defines, retained for back compat */
309 #define NATIVE_TO_UTF(ch)        NATIVE_UTF8_TO_I8(ch)
310 #define NATIVE_TO_I8(ch)         NATIVE_UTF8_TO_I8(ch)
311 #define UTF_TO_NATIVE(ch)        I8_TO_NATIVE_UTF8(ch)
312 #define I8_TO_NATIVE(ch)         I8_TO_NATIVE_UTF8(ch)
313 #define NATIVE8_TO_UNI(ch)       NATIVE_TO_LATIN1(ch)
314
315 /* Adds a UTF8 continuation byte 'new' of information to a running total code
316  * point 'old' of all the continuation bytes so far.  This is designed to be
317  * used in a loop to convert from UTF-8 to the code point represented.  Note
318  * that this is asymmetric on EBCDIC platforms, in that the 'new' parameter is
319  * the UTF-EBCDIC byte, whereas the 'old' parameter is a Unicode (not EBCDIC)
320  * code point in process of being generated */
321 #define UTF8_ACCUMULATE(old, new) (((old) << UTF_ACCUMULATION_SHIFT)           \
322                                    | ((NATIVE_UTF8_TO_I8((U8)new))             \
323                                        & UTF_CONTINUATION_MASK))
324
325 /* This works in the face of malformed UTF-8. */
326 #define UTF8_IS_NEXT_CHAR_DOWNGRADEABLE(s, e) (UTF8_IS_DOWNGRADEABLE_START(*s) \
327                                                && ( (e) - (s) > 1)             \
328                                                && UTF8_IS_CONTINUATION(*((s)+1)))
329
330 /* Number of bytes a code point occupies in UTF-8. */
331 #define NATIVE_SKIP(uv) OFFUNISKIP(NATIVE_TO_UNI(uv))
332
333 /*
334
335 =for apidoc Am|STRLEN|UVCHR_SKIP|UV cp
336 returns the number of bytes required to represent the code point C<cp> when
337 encoded as UTF-8.  C<cp> is a native (ASCII or EBCDIC) code point if less than
338 255; a Unicode code point otherwise.
339
340 =cut
341  */
342
343 /* Most code which says UNISKIP is really thinking in terms of native code
344  * points (0-255) plus all those beyond.  This is an imprecise term, but having
345  * it means existing code continues to work.  For precision, use UVCHR_SKIP,
346  * NATIVE_SKIP, and OFFUNISKIP */
347 #define UNISKIP(uv)   NATIVE_SKIP(uv)
348 #define UVCHR_SKIP(uv) NATIVE_SKIP(uv)
349
350 /* Convert a two (not one) byte utf8 character to a native code point value.
351  * Needs just one iteration of accumulate.  Should not be used unless it is
352  * known that the two bytes are legal: 1) two-byte start, and 2) continuation.
353  * Note that the result can be larger than 255 if the input character is not
354  * downgradable */
355 #define TWO_BYTE_UTF8_TO_NATIVE(HI, LO) \
356      UNI_TO_NATIVE(UTF8_ACCUMULATE((NATIVE_UTF8_TO_I8(HI) & UTF_START_MASK(2)), \
357                                    (LO)))
358
359 /* Should never be used, and be deprecated */
360 #define TWO_BYTE_UTF8_TO_UNI(HI, LO) NATIVE_TO_UNI(TWO_BYTE_UTF8_TO_NATIVE(HI, LO))
361
362 /*
363
364 =for apidoc Am|STRLEN|UTF8SKIP|char* s
365 returns the number of bytes in the UTF-8 encoded character whose first (perhaps
366 only) byte is pointed to by C<s>.
367
368 =cut
369  */
370 #define UTF8SKIP(s) PL_utf8skip[*(const U8*)(s)]
371
372 /* Is the byte 'c' the same character when encoded in UTF-8 as when not.  This
373  * works on both UTF-8 encoded strings and non-encoded, as it returns TRUE in
374  * each for the exact same set of bit patterns.  (And it works on any byte in a
375  * UTF-8 encoded string) */
376 #define UTF8_IS_INVARIANT(c)            UNI_IS_INVARIANT(NATIVE_UTF8_TO_I8(c))
377
378 /* Like the above, but its name implies a non-UTF8 input, and is implemented
379  * differently (for no particular reason) */
380 #define NATIVE_BYTE_IS_INVARIANT(c)     UNI_IS_INVARIANT(NATIVE_TO_LATIN1(c))
381
382 /* Like the above, but accepts any UV as input */
383 #define UVCHR_IS_INVARIANT(uv)          UNI_IS_INVARIANT(NATIVE_TO_UNI(uv))
384
385 #define MAX_PORTABLE_UTF8_TWO_BYTE 0x3FF    /* constrained by EBCDIC */
386
387 /* The macros in the next 4 sets are used to generate the two utf8 or utfebcdic
388  * bytes from an ordinal that is known to fit into exactly two (not one) bytes;
389  * it must be less than 0x3FF to work across both encodings. */
390
391 /* These two are helper macros for the other three sets, and should not be used
392  * directly anywhere else.  'translate_function' is either NATIVE_TO_LATIN1
393  * (which works for code points up to 0xFF) or NATIVE_TO_UNI which works for any
394  * code point */
395 #define __BASE_TWO_BYTE_HI(c, translate_function)                               \
396             I8_TO_NATIVE_UTF8((translate_function(c) >> UTF_ACCUMULATION_SHIFT) \
397                               | UTF_START_MARK(2))
398 #define __BASE_TWO_BYTE_LO(c, translate_function)                               \
399               I8_TO_NATIVE_UTF8((translate_function(c) & UTF_CONTINUATION_MASK) \
400                                  | UTF_CONTINUATION_MARK)
401
402 /* The next two macros should not be used.  They were designed to be usable as
403  * the case label of a switch statement, but this doesn't work for EBCDIC.  Use
404  * regen/unicode_constants.pl instead */
405 #define UTF8_TWO_BYTE_HI_nocast(c)  __BASE_TWO_BYTE_HI(c, NATIVE_TO_UNI)
406 #define UTF8_TWO_BYTE_LO_nocast(c)  __BASE_TWO_BYTE_LO(c, NATIVE_TO_UNI)
407
408 /* The next two macros are used when the source should be a single byte
409  * character; checked for under DEBUGGING */
410 #define UTF8_EIGHT_BIT_HI(c) (__ASSERT_(FITS_IN_8_BITS(c))                    \
411                              ((U8) __BASE_TWO_BYTE_HI(c, NATIVE_TO_LATIN1)))
412 #define UTF8_EIGHT_BIT_LO(c) (__ASSERT_(FITS_IN_8_BITS(c))                    \
413                              ((U8) __BASE_TWO_BYTE_LO(c, NATIVE_TO_LATIN1)))
414
415 /* These final two macros in the series are used when the source can be any
416  * code point whose UTF-8 is known to occupy 2 bytes; they are less efficient
417  * than the EIGHT_BIT versions on EBCDIC platforms.  We use the logical '~'
418  * operator instead of "<=" to avoid getting compiler warnings.
419  * MAX_UTF8_TWO_BYTE should be exactly all one bits in the lower few
420  * places, so the ~ works */
421 #define UTF8_TWO_BYTE_HI(c)                                                    \
422        (__ASSERT_((sizeof(c) ==  1)                                            \
423                   || !(((WIDEST_UTYPE)(c)) & ~MAX_UTF8_TWO_BYTE))              \
424         ((U8) __BASE_TWO_BYTE_HI(c, NATIVE_TO_UNI)))
425 #define UTF8_TWO_BYTE_LO(c)                                                    \
426        (__ASSERT_((sizeof(c) ==  1)                                            \
427                   || !(((WIDEST_UTYPE)(c)) & ~MAX_UTF8_TWO_BYTE))              \
428         ((U8) __BASE_TWO_BYTE_LO(c, NATIVE_TO_UNI)))
429
430 /* This is illegal in any well-formed UTF-8 in both EBCDIC and ASCII
431  * as it is only in overlongs. */
432 #define ILLEGAL_UTF8_BYTE   I8_TO_NATIVE_UTF8(0xC1)
433
434 /*
435  * 'UTF' is whether or not p is encoded in UTF8.  The names 'foo_lazy_if' stem
436  * from an earlier version of these macros in which they didn't call the
437  * foo_utf8() macros (i.e. were 'lazy') unless they decided that *p is the
438  * beginning of a utf8 character.  Now that foo_utf8() determines that itself,
439  * no need to do it again here
440  */
441 #define isIDFIRST_lazy_if(p,UTF) ((IN_BYTES || !UTF ) \
442                                  ? isIDFIRST(*(p)) \
443                                  : isIDFIRST_utf8((const U8*)p))
444 #define isWORDCHAR_lazy_if(p,UTF)   ((IN_BYTES || (!UTF )) \
445                                  ? isWORDCHAR(*(p)) \
446                                  : isWORDCHAR_utf8((const U8*)p))
447 #define isALNUM_lazy_if(p,UTF)   isWORDCHAR_lazy_if(p,UTF)
448
449 #define UTF8_MAXLEN UTF8_MAXBYTES
450
451 /* A Unicode character can fold to up to 3 characters */
452 #define UTF8_MAX_FOLD_CHAR_EXPAND 3
453
454 #define IN_BYTES (CopHINTS_get(PL_curcop) & HINT_BYTES)
455
456 /*
457
458 =for apidoc Am|bool|DO_UTF8|SV* sv
459 Returns a bool giving whether or not the PV in C<sv> is to be treated as being
460 encoded in UTF-8.
461
462 You should use this I<after> a call to C<SvPV()> or one of its variants, in
463 case any call to string overloading updates the internal UTF-8 encoding flag.
464
465 =cut
466 */
467 #define DO_UTF8(sv) (SvUTF8(sv) && !IN_BYTES)
468 #define IN_UNI_8_BIT \
469             (((CopHINTS_get(PL_curcop) & (HINT_UNI_8_BIT))                       \
470                || (CopHINTS_get(PL_curcop) & HINT_LOCALE_PARTIAL                 \
471                    /* -1 below is for :not_characters */                         \
472                    && _is_in_locale_category(FALSE, -1)))                        \
473               && ! IN_BYTES)
474
475
476 #define UTF8_ALLOW_EMPTY                0x0001  /* Allow a zero length string */
477
478 /* Allow first byte to be a continuation byte */
479 #define UTF8_ALLOW_CONTINUATION         0x0002
480
481 /* Allow second... bytes to be non-continuation bytes */
482 #define UTF8_ALLOW_NON_CONTINUATION     0x0004
483
484 /* expecting more bytes than were available in the string */
485 #define UTF8_ALLOW_SHORT                0x0008
486
487 /* Overlong sequence; i.e., the code point can be specified in fewer bytes. */
488 #define UTF8_ALLOW_LONG                 0x0010
489
490 #define UTF8_DISALLOW_SURROGATE         0x0020  /* Unicode surrogates */
491 #define UTF8_WARN_SURROGATE             0x0040
492
493 #define UTF8_DISALLOW_NONCHAR           0x0080  /* Unicode non-character */
494 #define UTF8_WARN_NONCHAR               0x0100  /*  code points */
495
496 #define UTF8_DISALLOW_SUPER             0x0200  /* Super-set of Unicode: code */
497 #define UTF8_WARN_SUPER                 0x0400  /* points above the legal max */
498
499 /* Code points which never were part of the original UTF-8 standard, the first
500  * byte of which is a FE or FF on ASCII platforms. If the first byte is FF, it
501  * will overflow a 32-bit word.  If the first byte is FE, it will overflow a
502  * signed 32-bit word. */
503 #define UTF8_DISALLOW_FE_FF             0x0800
504 #define UTF8_WARN_FE_FF                 0x1000
505
506 #define UTF8_CHECK_ONLY                 0x2000
507
508 /* For backwards source compatibility.  They do nothing, as the default now
509  * includes what they used to mean.  The first one's meaning was to allow the
510  * just the single non-character 0xFFFF */
511 #define UTF8_ALLOW_FFFF 0
512 #define UTF8_ALLOW_SURROGATE 0
513
514 #define UTF8_DISALLOW_ILLEGAL_INTERCHANGE (UTF8_DISALLOW_SUPER|UTF8_DISALLOW_NONCHAR|UTF8_DISALLOW_SURROGATE|UTF8_DISALLOW_FE_FF)
515 #define UTF8_WARN_ILLEGAL_INTERCHANGE \
516         (UTF8_WARN_SUPER|UTF8_WARN_NONCHAR|UTF8_WARN_SURROGATE|UTF8_WARN_FE_FF)
517 #define UTF8_ALLOW_ANY \
518             (~(UTF8_DISALLOW_ILLEGAL_INTERCHANGE|UTF8_WARN_ILLEGAL_INTERCHANGE))
519 #define UTF8_ALLOW_ANYUV                                                        \
520          (UTF8_ALLOW_EMPTY                                                      \
521           & ~(UTF8_DISALLOW_ILLEGAL_INTERCHANGE|UTF8_WARN_ILLEGAL_INTERCHANGE))
522 #define UTF8_ALLOW_DEFAULT              (ckWARN(WARN_UTF8) ? 0 : \
523                                          UTF8_ALLOW_ANYUV)
524
525 /* Surrogates, non-character code points and above-Unicode code points are
526  * problematic in some contexts.  This allows code that needs to check for
527  * those to to quickly exclude the vast majority of code points it will
528  * encounter */
529 #define UTF8_FIRST_PROBLEMATIC_CODE_POINT_FIRST_BYTE \
530                                     FIRST_SURROGATE_UTF8_FIRST_BYTE
531
532 #define UTF8_IS_SURROGATE(s) cBOOL(is_SURROGATE_utf8(s))
533 #define UTF8_IS_REPLACEMENT(s, send) cBOOL(is_REPLACEMENT_utf8_safe(s,send))
534
535 /*                ASCII              EBCDIC I8
536  * U+10FFFF: \xF4\x8F\xBF\xBF   \xF9\xA1\xBF\xBF\xBF    max legal Unicode
537  * U+110000: \xF4\x90\x80\x80   \xF9\xA2\xA0\xA0\xA0
538  * U+110001: \xF4\x90\x80\x81   \xF9\xA2\xA0\xA0\xA1
539  *
540  * BE AWARE that this test doesn't rule out malformed code points, in
541  * particular overlongs */
542 #ifdef EBCDIC /* Both versions assume well-formed UTF8 */
543 #   define UTF8_IS_SUPER(s) (NATIVE_UTF8_TO_I8(* (U8*) (s)) >= 0xF9             \
544                          && (NATIVE_UTF8_TO_I8(* (U8*) (s)) > 0xF9              \
545                              || (NATIVE_UTF8_TO_I8(* ((U8*) (s) + 1)) >= 0xA2)))
546 #else
547 #   define UTF8_IS_SUPER(s) (*(U8*) (s) >= 0xF4                                 \
548                             && (*(U8*) (s) > 0xF4 || (*((U8*) (s) + 1) >= 0x90)))
549 #endif
550
551 /* These are now machine generated, and the 'given' clause is no longer
552  * applicable */
553 #define UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_PROBLEMATIC(s)             \
554                                                     cBOOL(is_NONCHAR_utf8(s))
555 #define UTF8_IS_NONCHAR_(s)                                                    \
556                     UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_PROBLEMATIC(s)
557
558 #define UNICODE_SURROGATE_FIRST         0xD800
559 #define UNICODE_SURROGATE_LAST          0xDFFF
560 #define UNICODE_REPLACEMENT             0xFFFD
561 #define UNICODE_BYTE_ORDER_MARK         0xFEFF
562
563 /* Though our UTF-8 encoding can go beyond this,
564  * let's be conservative and do as Unicode says. */
565 #define PERL_UNICODE_MAX        0x10FFFF
566
567 #define UNICODE_WARN_SURROGATE     0x0001       /* UTF-16 surrogates */
568 #define UNICODE_WARN_NONCHAR       0x0002       /* Non-char code points */
569 #define UNICODE_WARN_SUPER         0x0004       /* Above 0x10FFFF */
570 #define UNICODE_WARN_FE_FF         0x0008       /* Above 0x10FFFF */
571 #define UNICODE_DISALLOW_SURROGATE 0x0010
572 #define UNICODE_DISALLOW_NONCHAR   0x0020
573 #define UNICODE_DISALLOW_SUPER     0x0040
574 #define UNICODE_DISALLOW_FE_FF     0x0080
575 #define UNICODE_WARN_ILLEGAL_INTERCHANGE                                      \
576             (UNICODE_WARN_SURROGATE|UNICODE_WARN_NONCHAR|UNICODE_WARN_SUPER)
577 #define UNICODE_DISALLOW_ILLEGAL_INTERCHANGE                                  \
578  (UNICODE_DISALLOW_SURROGATE|UNICODE_DISALLOW_NONCHAR|UNICODE_DISALLOW_SUPER)
579
580 /* For backward source compatibility, as are now the default */
581 #define UNICODE_ALLOW_SURROGATE 0
582 #define UNICODE_ALLOW_SUPER     0
583 #define UNICODE_ALLOW_ANY       0
584
585 #define UNICODE_IS_SURROGATE(c)         ((c) >= UNICODE_SURROGATE_FIRST && \
586                                          (c) <= UNICODE_SURROGATE_LAST)
587 #define UNICODE_IS_REPLACEMENT(c)       ((c) == UNICODE_REPLACEMENT)
588 #define UNICODE_IS_BYTE_ORDER_MARK(c)   ((c) == UNICODE_BYTE_ORDER_MARK)
589 #define UNICODE_IS_NONCHAR(c)           ((c >= 0xFDD0 && c <= 0xFDEF) \
590                         /* The other noncharacters end in FFFE or FFFF, which  \
591                          * the mask below catches both of, but beyond the last \
592                          * official unicode code point, they aren't            \
593                          * noncharacters, since those aren't Unicode           \
594                          * characters at all */                                \
595                         || ((((c & 0xFFFE) == 0xFFFE)) && ! UNICODE_IS_SUPER(c)))
596 #define UNICODE_IS_SUPER(c)             ((c) > PERL_UNICODE_MAX)
597 #define UNICODE_IS_FE_FF(c)             ((c) > 0x7FFFFFFF)
598
599 #define LATIN_SMALL_LETTER_SHARP_S      LATIN_SMALL_LETTER_SHARP_S_NATIVE
600 #define LATIN_SMALL_LETTER_Y_WITH_DIAERESIS                                  \
601                                 LATIN_SMALL_LETTER_Y_WITH_DIAERESIS_NATIVE
602 #define MICRO_SIGN      MICRO_SIGN_NATIVE
603 #define LATIN_CAPITAL_LETTER_A_WITH_RING_ABOVE                               \
604                             LATIN_CAPITAL_LETTER_A_WITH_RING_ABOVE_NATIVE
605 #define LATIN_SMALL_LETTER_A_WITH_RING_ABOVE                                 \
606                                 LATIN_SMALL_LETTER_A_WITH_RING_ABOVE_NATIVE
607 #define UNICODE_GREEK_CAPITAL_LETTER_SIGMA      0x03A3
608 #define UNICODE_GREEK_SMALL_LETTER_FINAL_SIGMA  0x03C2
609 #define UNICODE_GREEK_SMALL_LETTER_SIGMA        0x03C3
610 #define GREEK_SMALL_LETTER_MU                   0x03BC
611 #define GREEK_CAPITAL_LETTER_MU                 0x039C  /* Upper and title case
612                                                            of MICRON */
613 #define LATIN_CAPITAL_LETTER_Y_WITH_DIAERESIS   0x0178  /* Also is title case */
614 #define LATIN_CAPITAL_LETTER_SHARP_S            0x1E9E
615 #define LATIN_SMALL_LETTER_LONG_S               0x017F
616 #define LATIN_SMALL_LIGATURE_LONG_S_T           0xFB05
617 #define LATIN_SMALL_LIGATURE_ST                 0xFB06
618 #define KELVIN_SIGN                             0x212A
619 #define ANGSTROM_SIGN                           0x212B
620
621 #define UNI_DISPLAY_ISPRINT     0x0001
622 #define UNI_DISPLAY_BACKSLASH   0x0002
623 #define UNI_DISPLAY_QQ          (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
624 #define UNI_DISPLAY_REGEX       (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
625
626 #define ANYOF_FOLD_SHARP_S(node, input, end)    \
627         (ANYOF_BITMAP_TEST(node, LATIN_SMALL_LETTER_SHARP_S) && \
628          (ANYOF_NONBITMAP(node)) && \
629          (ANYOF_FLAGS(node) & ANYOF_LOC_NONBITMAP_FOLD) && \
630          ((end) > (input) + 1) && \
631          isALPHA_FOLD_EQ((input)[0], 's'))
632
633 #define SHARP_S_SKIP 2
634
635 /* If you want to exclude surrogates, and beyond legal Unicode, see the blame
636  * log for earlier versions which gave details for these */
637
638 /* A helper macro for isUTF8_CHAR, so use that one, and not this one.  This is
639  * retained solely for backwards compatibility and may be deprecated and
640  * removed in a future Perl version.
641  *
642  * regen/regcharclass.pl generates is_UTF8_CHAR_utf8() macros for up to these
643  * number of bytes.  So this has to be coordinated with that file */
644 #ifdef EBCDIC
645 #   define IS_UTF8_CHAR_FAST(n) ((n) <= 3)
646 #else
647 #   define IS_UTF8_CHAR_FAST(n) ((n) <= 4)
648 #endif
649
650 #ifndef EBCDIC
651 /* A helper macro for isUTF8_CHAR, so use that one instead of this.  This was
652  * generated by regen/regcharclass.pl, and then moved here.  The lines that
653  * generated it were then commented out.  This was done solely because it takes
654  * on the order of 10 minutes to generate, and is never going to change, unless
655  * the generated code is improved.
656  *
657  * The EBCDIC versions have been cut to not cover all of legal Unicode, so
658  * don't take too long to generate, and there is a separate one for each code
659  * page, so they are in regcharclass.h instead of here */
660 /*
661         UTF8_CHAR: Matches legal UTF-8 encoded characters from 2 through 4 bytes
662
663         0x80 - 0x1FFFFF
664 */
665 /*** GENERATED CODE ***/
666 #define is_UTF8_CHAR_utf8_no_length_checks(s)                               \
667 ( ( 0xC2 <= ((U8*)s)[0] && ((U8*)s)[0] <= 0xDF ) ?                          \
668     ( ( ( ((U8*)s)[1] & 0xC0 ) == 0x80 ) ? 2 : 0 )                          \
669 : ( 0xE0 == ((U8*)s)[0] ) ?                                                 \
670     ( ( ( ( ((U8*)s)[1] & 0xE0 ) == 0xA0 ) && ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ) ? 3 : 0 )\
671 : ( 0xE1 <= ((U8*)s)[0] && ((U8*)s)[0] <= 0xEF ) ?                          \
672     ( ( ( ( ((U8*)s)[1] & 0xC0 ) == 0x80 ) && ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ) ? 3 : 0 )\
673 : ( 0xF0 == ((U8*)s)[0] ) ?                                                 \
674     ( ( ( ( 0x90 <= ((U8*)s)[1] && ((U8*)s)[1] <= 0xBF ) && ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ) && ( ( ((U8*)s)[3] & 0xC0 ) == 0x80 ) ) ? 4 : 0 )\
675 : ( ( ( ( 0xF1 <= ((U8*)s)[0] && ((U8*)s)[0] <= 0xF7 ) && ( ( ((U8*)s)[1] & 0xC0 ) == 0x80 ) ) && ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ) && ( ( ((U8*)s)[3] & 0xC0 ) == 0x80 ) ) ? 4 : 0 )
676 #endif
677
678 /*
679
680 =for apidoc Am|STRLEN|isUTF8_CHAR|const U8 *s|const U8 *e
681
682 Returns the number of bytes beginning at C<s> which form a legal UTF-8 (or
683 UTF-EBCDIC) encoded character, looking no further than C<e - s> bytes into
684 C<s>.  Returns 0 if the sequence starting at C<s> through C<e - 1> is not
685 well-formed UTF-8
686
687 Note that an INVARIANT character (i.e. ASCII on non-EBCDIC
688 machines) is a valid UTF-8 character.
689
690 =cut
691 */
692
693 #define isUTF8_CHAR(s, e)   (UNLIKELY((e) <= (s))                           \
694                              ? 0                                            \
695                              : (UTF8_IS_INVARIANT(*s))                      \
696                                ? 1                                          \
697                                : UNLIKELY(((e) - (s)) < UTF8SKIP(s))        \
698                                  ? 0                                        \
699                                  : LIKELY(IS_UTF8_CHAR_FAST(UTF8SKIP(s)))   \
700                                    ? is_UTF8_CHAR_utf8_no_length_checks(s)  \
701                                    : _is_utf8_char_slow(s, e))
702
703 #define is_utf8_char_buf(buf, buf_end) isUTF8_CHAR(buf, buf_end)
704
705 /* Do not use; should be deprecated.  Use isUTF8_CHAR() instead; this is
706  * retained solely for backwards compatibility */
707 #define IS_UTF8_CHAR(p, n)      (isUTF8_CHAR(p, (p) + (n)) == n)
708
709 #endif /* H_UTF8 */
710
711 /*
712  * ex: set ts=8 sts=4 sw=4 et:
713  */