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 /* Note that C0 and C1 are invalid in legal UTF8, so the lower bound of the
 143  * below might ought to be C2 */
 144 #define UTF8_IS_START(c)                (((U8)c) >= 0xc0)
 145 #define UTF8_IS_CONTINUATION(c)         (((U8)c) >= 0x80 && (((U8)c) <= 0xbf))
 146 #define UTF8_IS_CONTINUED(c)            (((U8)c) &  0x80)
 147 #define UTF8_IS_DOWNGRADEABLE_START(c)  (((U8)c & 0xfc) == 0xc0)
 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 #ifdef HAS_QUAD
 157 #define UNISKIP(uv) ( (uv) < 0x80           ? 1 : \
 158                       (uv) < 0x800          ? 2 : \
 159                       (uv) < 0x10000        ? 3 : \
 160                       (uv) < 0x200000       ? 4 : \
 161                       (uv) < 0x4000000      ? 5 : \
 162                       (uv) < 0x80000000     ? 6 : \
 163                       (uv) < UTF8_QUAD_MAX ? 7 : 13 )
 164 #else
 165 /* No, I'm not even going to *TRY* putting #ifdef inside a #define */
 166 #define UNISKIP(uv) ( (uv) < 0x80           ? 1 : \
 167                       (uv) < 0x800          ? 2 : \
 168                       (uv) < 0x10000        ? 3 : \
 169                       (uv) < 0x200000       ? 4 : \
 170                       (uv) < 0x4000000      ? 5 : \
 171                       (uv) < 0x80000000     ? 6 : 7 )
 172 #endif
 173
 174 #endif /* EBCDIC vs ASCII */
 175
 176 /* Rest of these are attributes of Unicode and perl's internals rather than the
 177  * encoding, or happen to be the same in both ASCII and EBCDIC (at least at
 178  * this level; the macros that some of these call may have different
 179  * definitions in the two encodings */
 180
 181 #define NATIVE8_TO_UNI(ch)     NATIVE_TO_ASCII(ch)      /* a clearer synonym */
 182
 183 #define UTF8_ACCUMULATE(old, new)       (((old) << UTF_ACCUMULATION_SHIFT) | (((U8)new) & UTF_CONTINUATION_MASK))
 184
 185 /* Convert a two (not one) byte utf8 character to a unicode code point value.
 186  * Needs just one iteration of accumulate.  Should not be used unless it is
 187  * known that the two bytes are legal: 1) two-byte start, and 2) continuation.
 188  * Note that the result can be larger than 255 if the input character is not
 189  * downgradable */
 190 #define TWO_BYTE_UTF8_TO_UNI(HI, LO) \
 191                     UTF8_ACCUMULATE((NATIVE_TO_UTF(HI) & UTF_START_MASK(2)), \
 192                                      NATIVE_TO_UTF(LO))
 193
 194 #define UTF8SKIP(s) PL_utf8skip[*(const U8*)(s)]
 195
 196 #define UTF8_IS_INVARIANT(c)            UNI_IS_INVARIANT(NATIVE_TO_UTF(c))
 197 #define NATIVE_IS_INVARIANT(c)          UNI_IS_INVARIANT(NATIVE8_TO_UNI(c))
 198
 199 #define MAX_PORTABLE_UTF8_TWO_BYTE 0x3FF    /* constrained by EBCDIC */
 200
 201 /* The macros in the next sets are used to generate the two utf8 or utfebcdic
 202  * bytes from an ordinal that is known to fit into two bytes; it must be less
 203  * than 0x3FF to work across both encodings. */
 204 /* Nocast allows these to be used in the case label of a switch statement */
 205 #define UTF8_TWO_BYTE_HI_nocast(c)      UTF_TO_NATIVE(((c) >> UTF_ACCUMULATION_SHIFT) | (0xFF & UTF_START_MARK(2)))
 206 #define UTF8_TWO_BYTE_LO_nocast(c)      UTF_TO_NATIVE(((c) & UTF_CONTINUATION_MASK) | UTF_CONTINUATION_MARK)
 207
 208 #define UTF8_TWO_BYTE_HI(c)     ((U8) (UTF8_TWO_BYTE_HI_nocast(c)))
 209 #define UTF8_TWO_BYTE_LO(c)     ((U8) (UTF8_TWO_BYTE_LO_nocast(c)))
 210
 211 /* This name is used when the source is a single byte */
 212 #define UTF8_EIGHT_BIT_HI(c)    UTF8_TWO_BYTE_HI((U8)(c))
 213 #define UTF8_EIGHT_BIT_LO(c)    UTF8_TWO_BYTE_LO((U8)(c))
 214
 215 /*
 216  * 'UTF' is whether or not p is encoded in UTF8.  The names 'foo_lazy_if' stem
 217  * from an earlier version of these macros in which they didn't call the
 218  * foo_utf8() macros (i.e. were 'lazy') unless they decided that *p is the
 219  * beginning of a utf8 character.  Now that foo_utf8() determines that itself,
 220  * no need to do it again here
 221  */
 222 #define isIDFIRST_lazy_if(p,UTF) ((IN_BYTES || !UTF ) \
 223                                  ? isIDFIRST(*(p)) \
 224                                  : isIDFIRST_utf8((const U8*)p))
 225 #define isALNUM_lazy_if(p,UTF)   ((IN_BYTES || (!UTF )) \
 226                                  ? isALNUM(*(p)) \
 227                                  : isALNUM_utf8((const U8*)p))
 228
 229 #define isIDFIRST_lazy(p)       isIDFIRST_lazy_if(p,1)
 230 #define isALNUM_lazy(p)         isALNUM_lazy_if(p,1)
 231
 232 #define UTF8_MAXBYTES 13
 233 /* How wide can a single UTF-8 encoded character become in bytes.
 234  * NOTE: Strictly speaking Perl's UTF-8 should not be called UTF-8
 235  * since UTF-8 is an encoding of Unicode and given Unicode's current
 236  * upper limit only four bytes is possible.  Perl thinks of UTF-8
 237  * as a way to encode non-negative integers in a binary format. */
 238 #define UTF8_MAXLEN UTF8_MAXBYTES
 239
 240 /* The maximum number of UTF-8 bytes a single Unicode character can
 241  * uppercase/lowercase/fold into; this number depends on the Unicode
 242  * version.  An example of maximal expansion is the U+03B0 which
 243  * uppercases to U+03C5 U+0308 U+0301.  The Unicode databases that
 244  * tell these things are UnicodeData.txt, CaseFolding.txt, and
 245  * SpecialCasing.txt.  The value is 6 for strict Unicode characters, but it has
 246  * to be as big as Perl allows for a single character */
 247 #define UTF8_MAXBYTES_CASE      UTF8_MAXBYTES
 248
 249 /* A Unicode character can fold to up to 3 characters */
 250 #define UTF8_MAX_FOLD_CHAR_EXPAND 3
 251
 252 #define IN_BYTES (CopHINTS_get(PL_curcop) & HINT_BYTES)
 253 #define DO_UTF8(sv) (SvUTF8(sv) && !IN_BYTES)
 254 #define IN_UNI_8_BIT \
 255             (CopHINTS_get(PL_curcop) & (HINT_UNI_8_BIT|HINT_LOCALE_NOT_CHARS) \
 256              && ! IN_LOCALE_RUNTIME && ! IN_BYTES)
 257
 258
 259 #define UTF8_ALLOW_EMPTY                0x0001  /* Allow a zero length string */
 260
 261 /* Allow first byte to be a continuation byte */
 262 #define UTF8_ALLOW_CONTINUATION         0x0002
 263
 264 /* Allow second... bytes to be non-continuation bytes */
 265 #define UTF8_ALLOW_NON_CONTINUATION     0x0004
 266
 267 /* expecting more bytes than were available in the string */
 268 #define UTF8_ALLOW_SHORT                0x0008
 269
 270 /* Overlong sequence; i.e., the code point can be specified in fewer bytes. */
 271 #define UTF8_ALLOW_LONG                 0x0010
 272
 273 #define UTF8_DISALLOW_SURROGATE         0x0020  /* Unicode surrogates */
 274 #define UTF8_WARN_SURROGATE             0x0040
 275
 276 #define UTF8_DISALLOW_NONCHAR           0x0080  /* Unicode non-character */
 277 #define UTF8_WARN_NONCHAR               0x0100  /*  code points */
 278
 279 #define UTF8_DISALLOW_SUPER             0x0200  /* Super-set of Unicode: code */
 280 #define UTF8_WARN_SUPER                 0x0400  /* points above the legal max */
 281
 282 /* Code points which never were part of the original UTF-8 standard, the first
 283  * byte of which is a FE or FF on ASCII platforms. */
 284 #define UTF8_DISALLOW_FE_FF             0x0800
 285 #define UTF8_WARN_FE_FF                 0x1000
 286
 287 #define UTF8_CHECK_ONLY                 0x2000
 288
 289 /* For backwards source compatibility.  They do nothing, as the default now
 290  * includes what they used to mean.  The first one's meaning was to allow the
 291  * just the single non-character 0xFFFF */
 292 #define UTF8_ALLOW_FFFF 0
 293 #define UTF8_ALLOW_SURROGATE 0
 294
 295 #define UTF8_DISALLOW_ILLEGAL_INTERCHANGE (UTF8_DISALLOW_SUPER|UTF8_DISALLOW_NONCHAR|UTF8_DISALLOW_SURROGATE|UTF8_DISALLOW_FE_FF)
 296 #define UTF8_WARN_ILLEGAL_INTERCHANGE \
 297         (UTF8_WARN_SUPER|UTF8_WARN_NONCHAR|UTF8_WARN_SURROGATE|UTF8_WARN_FE_FF)
 298 #define UTF8_ALLOW_ANY \
 299             (~(UTF8_DISALLOW_ILLEGAL_INTERCHANGE|UTF8_WARN_ILLEGAL_INTERCHANGE))
 300 #define UTF8_ALLOW_ANYUV                                                        \
 301          (UTF8_ALLOW_EMPTY                                                      \
 302           & ~(UTF8_DISALLOW_ILLEGAL_INTERCHANGE|UTF8_WARN_ILLEGAL_INTERCHANGE))
 303 #define UTF8_ALLOW_DEFAULT              (ckWARN(WARN_UTF8) ? 0 : \
 304                                          UTF8_ALLOW_ANYUV)
 305
 306 /* Surrogates, non-character code points and above-Unicode code points are
 307  * problematic in some contexts.  This allows code that needs to check for
 308  * those to to quickly exclude the vast majority of code points it will
 309  * encounter */
 310 #ifdef EBCDIC
 311 #   define UTF8_FIRST_PROBLEMATIC_CODE_POINT_FIRST_BYTE UTF_TO_NATIVE(0xF1)
 312 #else
 313 #   define UTF8_FIRST_PROBLEMATIC_CODE_POINT_FIRST_BYTE 0xED
 314 #endif
 315
 316 /*              ASCII              EBCDIC I8
 317  * U+D7FF:   \xED\x9F\xBF       \xF1\xB5\xBF\xBF    last before surrogates
 318  * U+D800:   \xED\xA0\x80       \xF1\xB6\xA0\xA0    1st surrogate
 319  * U+DFFF:   \xED\xBF\xBF       \xF1\xB7\xBF\xBF    final surrogate
 320  * U+E000:   \xEE\x80\x80       \xF1\xB8\xA0\xA0    next after surrogates
 321  */
 322 #ifdef EBCDIC /* Both versions assume well-formed UTF8 */
 323 #   define UTF8_IS_SURROGATE(s)  (*(s) == UTF_TO_NATIVE(0xF1)                   \
 324     && ((*((s) +1) == UTF_TO_NATIVE(0xB6)) || *((s) + 1) == UTF_TO_NATIVE(0xB7)))
 325 #else
 326 #   define UTF8_IS_SURROGATE(s) (*(s) == 0xED && *((s) + 1) >= 0xA0)
 327 #endif
 328
 329 /*                ASCII              EBCDIC I8
 330  * U+10FFFF: \xF4\x8F\xBF\xBF   \xF9\xA1\xBF\xBF\xBF    max legal Unicode
 331  * U+110000: \xF4\x90\x80\x80   \xF9\xA2\xA0\xA0\xA0
 332  * U+110001: \xF4\x90\x80\x81   \xF9\xA2\xA0\xA0\xA1
 333  */
 334 #ifdef EBCDIC /* Both versions assume well-formed UTF8 */
 335 #   define UTF8_IS_SUPER(s)  (*(s) >= UTF_TO_NATIVE(0xF9)                       \
 336       && (*(s) > UTF_TO_NATIVE(0xF9) || (*((s) + 1) >= UTF_TO_NATIVE(0xA2))))
 337 #else
 338 #   define UTF8_IS_SUPER(s)  (*(s) >= 0xF4                                      \
 339                                         && (*(s) > 0xF4 || (*((s) + 1) >= 0x90)))
 340 #endif
 341
 342 /*         ASCII                     EBCDIC I8
 343  * U+FDCF: \xEF\xB7\x8F         \xF1\xBF\xAE\xAF        last before non-char block
 344  * U+FDD0: \xEF\xB7\x90         \xF1\xBF\xAE\xB0        first non-char in block
 345  * U+FDEF: \xEF\xB7\xAF         \xF1\xBF\xAF\xAF        last non-char in block
 346  * U+FDF0: \xEF\xB7\xB0         \xF1\xBF\xAF\xB0        first after non-char block
 347  * U+FFFF: \xEF\xBF\xBF         \xF1\xBF\xBF\xBF
 348  * U+1FFFF: \xF0\x9F\xBF\xBF    \xF3\xBF\xBF\xBF
 349  * U+2FFFF: \xF0\xAF\xBF\xBF    \xF5\xBF\xBF\xBF
 350  * U+3FFFF: \xF0\xBF\xBF\xBF    \xF7\xBF\xBF\xBF
 351  * U+4FFFF: \xF1\x8F\xBF\xBF    \xF8\xA9\xBF\xBF\xBF
 352  * U+5FFFF: \xF1\x9F\xBF\xBF    \xF8\xAB\xBF\xBF\xBF
 353  * U+6FFFF: \xF1\xAF\xBF\xBF    \xF8\xAD\xBF\xBF\xBF
 354  * U+7FFFF: \xF1\xBF\xBF\xBF    \xF8\xAF\xBF\xBF\xBF
 355  * U+8FFFF: \xF2\x8F\xBF\xBF    \xF8\xB1\xBF\xBF\xBF
 356  * U+9FFFF: \xF2\x9F\xBF\xBF    \xF8\xB3\xBF\xBF\xBF
 357  * U+AFFFF: \xF2\xAF\xBF\xBF    \xF8\xB5\xBF\xBF\xBF
 358  * U+BFFFF: \xF2\xBF\xBF\xBF    \xF8\xB7\xBF\xBF\xBF
 359  * U+CFFFF: \xF3\x8F\xBF\xBF    \xF8\xB9\xBF\xBF\xBF
 360  * U+DFFFF: \xF3\x9F\xBF\xBF    \xF8\xBB\xBF\xBF\xBF
 361  * U+EFFFF: \xF3\xAF\xBF\xBF    \xF8\xBD\xBF\xBF\xBF
 362  * U+FFFFF: \xF3\xBF\xBF\xBF    \xF8\xBF\xBF\xBF\xBF
 363  * U+10FFFF: \xF4\x8F\xBF\xBF   \xF9\xA1\xBF\xBF\xBF
 364  */
 365 #define UTF8_IS_NONCHAR_(s) (                                                   \
 366     *(s) >= UTF8_FIRST_PROBLEMATIC_CODE_POINT_FIRST_BYTE                        \
 367     && ! UTF8_IS_SUPER(s)                                                       \
 368     && UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_FIRST_PROBLEMATIC(s)         \
 369
 370 #ifdef EBCDIC /* Both versions assume well-formed UTF8 */
 371 #   define UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_PROBLEMATIC(s)           \
 372     ((*(s) == UTF_TO_NATIVE(0xF1)                                               \
 373        && (*((s) + 1) == UTF_TO_NATIVE(0xBF)                                    \
 374        &&    ((*((s) + 2) == UTF_TO_NATIVE(0xAE)                                \
 375             && *((s) + 3) >= UTF_TO_NATIVE(0xB0))                               \
 376           || (*((s) + 2) == UTF_TO_NATIVE(0xAF)                                 \
 377             && *((s) + 3) <= UTF_TO_NATIVE(0xAF)))))                            \
 378     || (UTF8SKIP(*(s)) > 3                                                      \
 379         /* (These were all derived by inspection and experimentation with an */ \
 380         /* editor)  The next line checks the next to final byte in the char */  \
 381         && *((s) + UTF8SKIP(*(s)) - 2) == UTF_TO_NATIVE(0xBF)                   \
 382         && *((s) + UTF8SKIP(*(s)) - 3) == UTF_TO_NATIVE(0xBF)                   \
 383         && (NATIVE_TO_UTF(*((s) + UTF8SKIP(*(s)) - 4)) & 0x81) == 0x81          \
 384         && (NATIVE_TO_UTF(*((s) + UTF8SKIP(*(s)) - 1)) & 0xBE) == 0XBE))
 385 #else
 386 #   define UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_PROBLEMATIC(s)           \
 387     ((*(s) == 0xEF                                                              \
 388         && ((*((s) + 1) == 0xB7 && (*((s) + 2) >= 0x90 && (*((s) + 2) <= 0xAF)))\
 389                 /* Gets U+FFF[EF] */                                            \
 390             || (*((s) + 1) == 0xBF && ((*((s) + 2) & 0xBE) == 0xBE))))          \
 391  || ((*((s) + 2) == 0xBF                                                        \
 392          && (*((s) + 3) & 0xBE) == 0xBE                                         \
 393             /* Excludes things like U+10FFE = \xF0\x90\xBF\xBE */               \
 394          && (*((s) + 1) & 0x8F) == 0x8F)))
 395 #endif
 396
 397 #define UNICODE_SURROGATE_FIRST         0xD800
 398 #define UNICODE_SURROGATE_LAST          0xDFFF
 399 #define UNICODE_REPLACEMENT             0xFFFD
 400 #define UNICODE_BYTE_ORDER_MARK         0xFEFF
 401
 402 /* Though our UTF-8 encoding can go beyond this,
 403  * let's be conservative and do as Unicode says. */
 404 #define PERL_UNICODE_MAX        0x10FFFF
 405
 406 #define UNICODE_WARN_SURROGATE     0x0001       /* UTF-16 surrogates */
 407 #define UNICODE_WARN_NONCHAR       0x0002       /* Non-char code points */
 408 #define UNICODE_WARN_SUPER         0x0004       /* Above 0x10FFFF */
 409 #define UNICODE_WARN_FE_FF         0x0008       /* Above 0x10FFFF */
 410 #define UNICODE_DISALLOW_SURROGATE 0x0010
 411 #define UNICODE_DISALLOW_NONCHAR   0x0020
 412 #define UNICODE_DISALLOW_SUPER     0x0040
 413 #define UNICODE_DISALLOW_FE_FF     0x0080
 414 #define UNICODE_WARN_ILLEGAL_INTERCHANGE \
 415     (UNICODE_WARN_SURROGATE|UNICODE_WARN_NONCHAR|UNICODE_WARN_SUPER)
 416 #define UNICODE_DISALLOW_ILLEGAL_INTERCHANGE \
 417     (UNICODE_DISALLOW_SURROGATE|UNICODE_DISALLOW_NONCHAR|UNICODE_DISALLOW_SUPER)
 418
 419 /* For backward source compatibility, as are now the default */
 420 #define UNICODE_ALLOW_SURROGATE 0
 421 #define UNICODE_ALLOW_SUPER     0
 422 #define UNICODE_ALLOW_ANY       0
 423
 424 #define UNICODE_IS_SURROGATE(c)         ((c) >= UNICODE_SURROGATE_FIRST && \
 425                                          (c) <= UNICODE_SURROGATE_LAST)
 426 #define UNICODE_IS_REPLACEMENT(c)       ((c) == UNICODE_REPLACEMENT)
 427 #define UNICODE_IS_BYTE_ORDER_MARK(c)   ((c) == UNICODE_BYTE_ORDER_MARK)
 428 #define UNICODE_IS_NONCHAR(c)           ((c >= 0xFDD0 && c <= 0xFDEF) \
 429                         /* The other noncharacters end in FFFE or FFFF, which  \
 430                          * the mask below catches both of, but beyond the last \
 431                          * official unicode code point, they aren't            \
 432                          * noncharacters, since those aren't Unicode           \
 433                          * characters at all */                                \
 434                         || ((((c & 0xFFFE) == 0xFFFE)) && ! UNICODE_IS_SUPER(c)))
 435 #define UNICODE_IS_SUPER(c)             ((c) > PERL_UNICODE_MAX)
 436 #define UNICODE_IS_FE_FF(c)             ((c) > 0x7FFFFFFF)
 437
 438 #ifdef HAS_QUAD
 439 #    define UTF8_QUAD_MAX       UINT64_C(0x1000000000)
 440 #endif
 441
 442 #define UNICODE_GREEK_CAPITAL_LETTER_SIGMA      0x03A3
 443 #define UNICODE_GREEK_SMALL_LETTER_FINAL_SIGMA  0x03C2
 444 #define UNICODE_GREEK_SMALL_LETTER_SIGMA        0x03C3
 445 #define GREEK_SMALL_LETTER_MU                   0x03BC
 446 #define GREEK_CAPITAL_LETTER_MU 0x039C  /* Upper and title case of MICRON */
 447 #define LATIN_CAPITAL_LETTER_Y_WITH_DIAERESIS 0x0178    /* Also is title case */
 448 #define LATIN_CAPITAL_LETTER_SHARP_S    0x1E9E
 449
 450 #define UNI_DISPLAY_ISPRINT     0x0001
 451 #define UNI_DISPLAY_BACKSLASH   0x0002
 452 #define UNI_DISPLAY_QQ          (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
 453 #define UNI_DISPLAY_REGEX       (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
 454
 455 #ifndef EBCDIC
 456 #   define LATIN_SMALL_LETTER_SHARP_S   0x00DF
 457 #   define LATIN_SMALL_LETTER_Y_WITH_DIAERESIS 0x00FF
 458 #   define MICRO_SIGN 0x00B5
 459 #   define LATIN_CAPITAL_LETTER_A_WITH_RING_ABOVE 0x00C5
 460 #   define LATIN_SMALL_LETTER_A_WITH_RING_ABOVE 0x00E5
 461 #endif
 462
 463 #define ANYOF_FOLD_SHARP_S(node, input, end)    \
 464         (ANYOF_BITMAP_TEST(node, LATIN_SMALL_LETTER_SHARP_S) && \
 465          (ANYOF_NONBITMAP(node)) && \
 466          (ANYOF_FLAGS(node) & ANYOF_LOC_NONBITMAP_FOLD) && \
 467          ((end) > (input) + 1) && \
 468          toLOWER((input)[0]) == 's' && \
 469          toLOWER((input)[1]) == 's')
 470 #define SHARP_S_SKIP 2
 471
 472 #ifndef EBCDIC
 473 #   define IS_UTF8_CHAR_1(p)    \
 474         ((p)[0] <= 0x7F)
 475 #   define IS_UTF8_CHAR_2(p)    \
 476         ((p)[0] >= 0xC2 && (p)[0] <= 0xDF && \
 477          (p)[1] >= 0x80 && (p)[1] <= 0xBF)
 478 #   define IS_UTF8_CHAR_3a(p)   \
 479         ((p)[0] == 0xE0 && \
 480          (p)[1] >= 0xA0 && (p)[1] <= 0xBF && \
 481          (p)[2] >= 0x80 && (p)[2] <= 0xBF)
 482 #   define IS_UTF8_CHAR_3b(p)   \
 483         ((p)[0] >= 0xE1 && (p)[0] <= 0xEC && \
 484          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
 485          (p)[2] >= 0x80 && (p)[2] <= 0xBF)
 486 #   define IS_UTF8_CHAR_3c(p)   \
 487         ((p)[0] == 0xED && \
 488          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
 489          (p)[2] >= 0x80 && (p)[2] <= 0xBF)
 490     /* In IS_UTF8_CHAR_3c(p) one could use
 491      * (p)[1] >= 0x80 && (p)[1] <= 0x9F
 492      * if one wanted to exclude surrogates. */
 493 #   define IS_UTF8_CHAR_3d(p)   \
 494         ((p)[0] >= 0xEE && (p)[0] <= 0xEF && \
 495          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
 496          (p)[2] >= 0x80 && (p)[2] <= 0xBF)
 497 #   define IS_UTF8_CHAR_4a(p)   \
 498         ((p)[0] == 0xF0 && \
 499          (p)[1] >= 0x90 && (p)[1] <= 0xBF && \
 500          (p)[2] >= 0x80 && (p)[2] <= 0xBF && \
 501          (p)[3] >= 0x80 && (p)[3] <= 0xBF)
 502 #   define IS_UTF8_CHAR_4b(p)   \
 503         ((p)[0] >= 0xF1 && (p)[0] <= 0xF3 && \
 504          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
 505          (p)[2] >= 0x80 && (p)[2] <= 0xBF && \
 506          (p)[3] >= 0x80 && (p)[3] <= 0xBF)
 507 /* In IS_UTF8_CHAR_4c(p) one could use
 508  * (p)[0] == 0xF4
 509  * if one wanted to stop at the Unicode limit U+10FFFF.
 510  * The 0xF7 allows us to go to 0x1fffff (0x200000 would
 511  * require five bytes).  Not doing any further code points
 512  * since that is not needed (and that would not be strict
 513  * UTF-8, anyway).  The "slow path" in Perl_is_utf8_char()
 514  * will take care of the "extended UTF-8". */
 515 #   define IS_UTF8_CHAR_4c(p)   \
 516         ((p)[0] >= 0xF4 && (p)[0] <= 0xF7 && \
 517          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
 518          (p)[2] >= 0x80 && (p)[2] <= 0xBF && \
 519          (p)[3] >= 0x80 && (p)[3] <= 0xBF)
 520
 521 #   define IS_UTF8_CHAR_3(p)    \
 522         (IS_UTF8_CHAR_3a(p) || \
 523          IS_UTF8_CHAR_3b(p) || \
 524          IS_UTF8_CHAR_3c(p) || \
 525          IS_UTF8_CHAR_3d(p))
 526 #   define IS_UTF8_CHAR_4(p)    \
 527         (IS_UTF8_CHAR_4a(p) || \
 528          IS_UTF8_CHAR_4b(p) || \
 529          IS_UTF8_CHAR_4c(p))
 530
 531 /* IS_UTF8_CHAR(p) is strictly speaking wrong (not UTF-8) because it
 532  * (1) allows UTF-8 encoded UTF-16 surrogates
 533  * (2) it allows code points past U+10FFFF.
 534  * The Perl_is_utf8_char() full "slow" code will handle the Perl
 535  * "extended UTF-8". */
 536 #   define IS_UTF8_CHAR(p, n)   \
 537         ((n) == 1 ? IS_UTF8_CHAR_1(p) : \
 538          (n) == 2 ? IS_UTF8_CHAR_2(p) : \
 539          (n) == 3 ? IS_UTF8_CHAR_3(p) : \
 540          (n) == 4 ? IS_UTF8_CHAR_4(p) : 0)
 541
 542 #   define IS_UTF8_CHAR_FAST(n) ((n) <= 4)
 543
 544 #else   /* EBCDIC */
 545
 546 /* This is an attempt to port IS_UTF8_CHAR to EBCDIC based on eyeballing.
 547  * untested.  If want to exclude surrogates and above-Unicode, see the
 548  * definitions for UTF8_IS_SURROGATE  and UTF8_IS_SUPER */
 549 #   define IS_UTF8_CHAR_1(p)    \
 550         (NATIVE_TO_ASCII((p)[0]) <= 0x9F)
 551 #   define IS_UTF8_CHAR_2(p)    \
 552         (NATIVE_TO_I8((p)[0]) >= 0xC5 && NATIVE_TO_I8((p)[0]) <= 0xDF && \
 553          NATIVE_TO_I8((p)[1]) >= 0xA0 && NATIVE_TO_I8((p)[1]) <= 0xBF)
 554 #   define IS_UTF8_CHAR_3(p)    \
 555         (NATIVE_TO_I8((p)[0]) == 0xE1 && NATIVE_TO_I8((p)[1]) <= 0xEF && \
 556          NATIVE_TO_I8((p)[1]) >= 0xA0 && NATIVE_TO_I8((p)[1]) <= 0xBF && \
 557          NATIVE_TO_I8((p)[2]) >= 0xA0 && NATIVE_TO_I8((p)[2]) <= 0xBF)
 558 #   define IS_UTF8_CHAR_4a(p)   \
 559         (NATIVE_TO_I8((p)[0]) == 0xF0 && \
 560          NATIVE_TO_I8((p)[1]) >= 0xB0 && NATIVE_TO_I8((p)[1]) <= 0xBF && \
 561          NATIVE_TO_I8((p)[2]) >= 0xA0 && NATIVE_TO_I8((p)[2]) <= 0xBF && \
 562          NATIVE_TO_I8((p)[3]) >= 0xA0 && NATIVE_TO_I8((p)[3]) <= 0xBF)
 563 #   define IS_UTF8_CHAR_4b(p)   \
 564         (NATIVE_TO_I8((p)[0]) >= 0xF1 && NATIVE_TO_I8((p)[0]) <= 0xF7 && \
 565          NATIVE_TO_I8((p)[1]) >= 0xA0 && NATIVE_TO_I8((p)[1]) <= 0xBF && \
 566          NATIVE_TO_I8((p)[2]) >= 0xA0 && NATIVE_TO_I8((p)[2]) <= 0xBF && \
 567          NATIVE_TO_I8((p)[3]) >= 0xA0 && NATIVE_TO_I8((p)[3]) <= 0xBF)
 568 #   define IS_UTF8_CHAR_5a(p)   \
 569         (NATIVE_TO_I8((p)[0]) == 0xF8 && \
 570          NATIVE_TO_I8((p)[1]) >= 0xA8 && NATIVE_TO_I8((p)[1]) <= 0xBF && \
 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_5b(p)   \
 575          (NATIVE_TO_I8((p)[0]) >= 0xF9 && NATIVE_TO_I8((p)[1]) <= 0xFB && \
 576          NATIVE_TO_I8((p)[1]) >= 0xA0 && 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
 581 #   define IS_UTF8_CHAR_4(p)    \
 582         (IS_UTF8_CHAR_4a(p) || \
 583          IS_UTF8_CHAR_4b(p))
 584 #   define IS_UTF8_CHAR_5(p)    \
 585         (IS_UTF8_CHAR_5a(p) || \
 586          IS_UTF8_CHAR_5b(p))
 587 #   define IS_UTF8_CHAR(p, n)   \
 588         ((n) == 1 ? IS_UTF8_CHAR_1(p) : \
 589          (n) == 2 ? IS_UTF8_CHAR_2(p) : \
 590          (n) == 3 ? IS_UTF8_CHAR_3(p) : \
 591          (n) == 4 ? IS_UTF8_CHAR_4(p) : \
 592          (n) == 5 ? IS_UTF8_CHAR_5(p) : 0)
 593
 594 #   define IS_UTF8_CHAR_FAST(n) ((n) <= 5)
 595
 596 #endif /* IS_UTF8_CHAR() for UTF-8 */
 597
 598 /*
 599  * Local variables:
 600  * c-indentation-style: bsd
 601  * c-basic-offset: 4
 602  * indent-tabs-mode: t
 603  * End:
 604  *
 605  * ex: set ts=8 sts=4 sw=4 noet:
 606  */