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_utf8_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_utf8_invariant_string> is preferred.
  57
  58 =for apidoc is_invariant_string
  59
  60 This is a somewhat misleadingly-named synonym for L</is_utf8_invariant_string>.
  61 C<is_utf8_invariant_string> is preferred, as it indicates under what conditions
  62 the string is invariant.
  63
  64 =cut
  65 */
  66 #define is_ascii_string(s, len)     is_utf8_invariant_string(s, len)
  67 #define is_invariant_string(s, len) is_utf8_invariant_string(s, len)
  68
  69 #define uvchr_to_utf8(a,b)          uvchr_to_utf8_flags(a,b,0)
  70 #define uvchr_to_utf8_flags(d,uv,flags)                                        \
  71                             uvoffuni_to_utf8_flags(d,NATIVE_TO_UNI(uv),flags)
  72 #define utf8_to_uvchr_buf(s, e, lenp)                                          \
  73                      utf8n_to_uvchr(s, (U8*)(e) - (U8*)(s), lenp,              \
  74                                     ckWARN_d(WARN_UTF8) ? 0 : UTF8_ALLOW_ANY)
  75
  76 #define to_uni_fold(c, p, lenp) _to_uni_fold_flags(c, p, lenp, FOLD_FLAGS_FULL)
  77 #define to_utf8_fold(c, p, lenp) _to_utf8_fold_flags(c, p, lenp, FOLD_FLAGS_FULL)
  78 #define to_utf8_lower(a,b,c) _to_utf8_lower_flags(a,b,c,0)
  79 #define to_utf8_upper(a,b,c) _to_utf8_upper_flags(a,b,c,0)
  80 #define to_utf8_title(a,b,c) _to_utf8_title_flags(a,b,c,0)
  81
  82 /* Source backward compatibility. */
  83 #define is_utf8_string_loc(s, len, ep)  is_utf8_string_loclen(s, len, ep, 0)
  84
  85 #define foldEQ_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2) \
  86                     foldEQ_utf8_flags(s1, pe1, l1, u1, s2, pe2, l2, u2, 0)
  87 #define FOLDEQ_UTF8_NOMIX_ASCII   (1 << 0)
  88 #define FOLDEQ_LOCALE             (1 << 1)
  89 #define FOLDEQ_S1_ALREADY_FOLDED  (1 << 2)
  90 #define FOLDEQ_S2_ALREADY_FOLDED  (1 << 3)
  91 #define FOLDEQ_S1_FOLDS_SANE      (1 << 4)
  92 #define FOLDEQ_S2_FOLDS_SANE      (1 << 5)
  93
  94 #define ibcmp_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2) \
  95                     cBOOL(! foldEQ_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2))
  96
  97 #ifdef EBCDIC
  98 /* The equivalent of these macros but implementing UTF-EBCDIC
  99    are in the following header file:
 100  */
 101
 102 #include "utfebcdic.h"
 103
 104 #else   /* ! EBCDIC */
 105 START_EXTERN_C
 106
 107 /* How wide can a single UTF-8 encoded character become in bytes. */
 108 /* NOTE: Strictly speaking Perl's UTF-8 should not be called UTF-8 since UTF-8
 109  * is an encoding of Unicode, and Unicode's upper limit, 0x10FFFF, can be
 110  * expressed with 4 bytes.  However, Perl thinks of UTF-8 as a way to encode
 111  * non-negative integers in a binary format, even those above Unicode */
 112 #define UTF8_MAXBYTES 13
 113
 114 #ifdef DOINIT
 115 EXTCONST unsigned char PL_utf8skip[] = {
 116 /* 0x00 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 117 /* 0x10 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 118 /* 0x20 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 119 /* 0x30 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 120 /* 0x40 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 121 /* 0x50 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 122 /* 0x60 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 123 /* 0x70 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 124 /* 0x80 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
 125 /* 0x90 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
 126 /* 0xA0 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
 127 /* 0xB0 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
 128 /* 0xC0 */ 2,2,                             /* overlong */
 129 /* 0xC2 */     2,2,2,2,2,2,2,2,2,2,2,2,2,2, /* U+0080 to U+03FF */
 130 /* 0xD0 */ 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2, /* U+0400 to U+07FF */
 131 /* 0xE0 */ 3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3, /* U+0800 to U+FFFF */
 132 /* 0xF0 */ 4,4,4,4,4,4,4,4,5,5,5,5,6,6,     /* above BMP to 2**31 - 1 */
 133            /* Perl extended (never was official UTF-8).  Up to 36 bit */
 134 /* 0xFE */                             7,
 135            /* More extended, Up to 72 bits (64-bit + reserved) */
 136 /* 0xFF */                               UTF8_MAXBYTES
 137 };
 138 #else
 139 EXTCONST unsigned char PL_utf8skip[];
 140 #endif
 141
 142 END_EXTERN_C
 143
 144 #if defined(_MSC_VER) && _MSC_VER < 1400
 145 /* older MSVC versions have a smallish macro buffer */
 146 #define PERL_SMALL_MACRO_BUFFER
 147 #endif
 148
 149 /* Native character to/from iso-8859-1.  Are the identity functions on ASCII
 150  * platforms */
 151 #ifdef PERL_SMALL_MACRO_BUFFER
 152 #define NATIVE_TO_LATIN1(ch)     ((U8)(ch))
 153 #define LATIN1_TO_NATIVE(ch)     ((U8)(ch))
 154 #else
 155 #define NATIVE_TO_LATIN1(ch)     (__ASSERT_(FITS_IN_8_BITS(ch)) ((U8) (ch)))
 156 #define LATIN1_TO_NATIVE(ch)     (__ASSERT_(FITS_IN_8_BITS(ch)) ((U8) (ch)))
 157 #endif
 158
 159 /* I8 is an intermediate version of UTF-8 used only in UTF-EBCDIC.  We thus
 160  * consider it to be identical to UTF-8 on ASCII platforms.  Strictly speaking
 161  * UTF-8 and UTF-EBCDIC are two different things, but we often conflate them
 162  * because they are 8-bit encodings that serve the same purpose in Perl, and
 163  * rarely do we need to distinguish them.  The term "NATIVE_UTF8" applies to
 164  * whichever one is applicable on the current platform */
 165 #ifdef PERL_SMALL_MACRO_BUFFER
 166 #define NATIVE_UTF8_TO_I8(ch) ((U8) (ch))
 167 #define I8_TO_NATIVE_UTF8(ch) ((U8) (ch))
 168 #else
 169 #define NATIVE_UTF8_TO_I8(ch) (__ASSERT_(FITS_IN_8_BITS(ch)) ((U8) (ch)))
 170 #define I8_TO_NATIVE_UTF8(ch) (__ASSERT_(FITS_IN_8_BITS(ch)) ((U8) (ch)))
 171 #endif
 172
 173 /* Transforms in wide UV chars */
 174 #define UNI_TO_NATIVE(ch)        ((UV) (ch))
 175 #define NATIVE_TO_UNI(ch)        ((UV) (ch))
 176
 177 /*
 178
 179  The following table is from Unicode 3.2, plus the Perl extensions for above
 180  U+10FFFF
 181
 182  Code Points            1st Byte  2nd Byte  3rd    4th     5th     6th       7th   8th-13th
 183
 184    U+0000..U+007F       00..7F
 185    U+0080..U+07FF     * C2..DF    80..BF
 186    U+0800..U+0FFF       E0      * A0..BF  80..BF
 187    U+1000..U+CFFF       E1..EC    80..BF  80..BF
 188    U+D000..U+D7FF       ED        80..9F  80..BF
 189    U+D800..U+DFFF       ED        A0..BF  80..BF  (surrogates)
 190    U+E000..U+FFFF       EE..EF    80..BF  80..BF
 191   U+10000..U+3FFFF      F0      * 90..BF  80..BF  80..BF
 192   U+40000..U+FFFFF      F1..F3    80..BF  80..BF  80..BF
 193  U+100000..U+10FFFF     F4        80..8F  80..BF  80..BF
 194     Below are above-Unicode code points
 195  U+110000..U+13FFFF     F4        90..BF  80..BF  80..BF
 196  U+110000..U+1FFFFF     F5..F7    80..BF  80..BF  80..BF
 197  U+200000..U+FFFFFF     F8      * 88..BF  80..BF  80..BF  80..BF
 198 U+1000000..U+3FFFFFF    F9..FB    80..BF  80..BF  80..BF  80..BF
 199 U+4000000..U+3FFFFFFF    FC     * 84..BF  80..BF  80..BF  80..BF  80..BF
 200 U+40000000..U+7FFFFFFF   FD       80..BF  80..BF  80..BF  80..BF  80..BF
 201 U+80000000..U+FFFFFFFFF  FE     * 82..BF  80..BF  80..BF  80..BF  80..BF    80..BF
 202 U+1000000000..           FF       80..BF  80..BF  80..BF  80..BF  80..BF  * 81..BF  80..BF
 203
 204 Note the gaps before several of the byte entries above marked by '*'.  These are
 205 caused by legal UTF-8 avoiding non-shortest encodings: it is technically
 206 possible to UTF-8-encode a single code point in different ways, but that is
 207 explicitly forbidden, and the shortest possible encoding should always be used
 208 (and that is what Perl does).  The non-shortest ones are called 'overlongs'.
 209
 210  */
 211
 212 /*
 213  Another way to look at it, as bits:
 214
 215                   Code Points      1st Byte   2nd Byte   3rd Byte   4th Byte
 216
 217                         0aaa aaaa  0aaa aaaa
 218               0000 0bbb bbaa aaaa  110b bbbb  10aa aaaa
 219               cccc bbbb bbaa aaaa  1110 cccc  10bb bbbb  10aa aaaa
 220  00 000d ddcc cccc bbbb bbaa aaaa  1111 0ddd  10cc cccc  10bb bbbb  10aa aaaa
 221
 222 As you can see, the continuation bytes all begin with C<10>, and the
 223 leading bits of the start byte tell how many bytes there are in the
 224 encoded character.
 225
 226 Perl's extended UTF-8 means we can have start bytes up through FF, though any
 227 beginning with FF yields a code point that is too large for 32-bit ASCII
 228 platforms.  FF signals to use 13 bytes for the encoded character.  This breaks
 229 the paradigm that the number of leading bits gives how many total bytes there
 230 are in the character.
 231
 232 */
 233
 234 /* Anything larger than this will overflow the word if it were converted into a UV */
 235 #if defined(UV_IS_QUAD)
 236 #   define HIGHEST_REPRESENTABLE_UTF8  "\xFF\x80\x8F\xBF\xBF\xBF\xBF\xBF\xBF\xBF\xBF\xBF\xBF"
 237 #else
 238 #   define HIGHEST_REPRESENTABLE_UTF8  "\xFE\x83\xBF\xBF\xBF\xBF\xBF"
 239 #endif
 240
 241 /* Is the representation of the Unicode code point 'cp' the same regardless of
 242  * being encoded in UTF-8 or not? */
 243 #define OFFUNI_IS_INVARIANT(cp)     isASCII(cp)
 244
 245 /*
 246 =for apidoc Am|bool|UVCHR_IS_INVARIANT|UV cp
 247
 248 Evaluates to 1 if the representation of code point C<cp> is the same whether or
 249 not it is encoded in UTF-8; otherwise evaluates to 0.  UTF-8 invariant
 250 characters can be copied as-is when converting to/from UTF-8, saving time.
 251 C<cp> is Unicode if above 255; otherwise is platform-native.
 252
 253 =cut
 254  */
 255
 256 #define UVCHR_IS_INVARIANT(cp)      OFFUNI_IS_INVARIANT(cp)
 257
 258 /* This defines the bits that are to be in the continuation bytes of a multi-byte
 259  * UTF-8 encoded character that mark it is a continuation byte. */
 260 #define UTF_CONTINUATION_MARK           0x80
 261
 262 /* Misleadingly named: is the UTF8-encoded byte 'c' part of a variant sequence
 263  * in UTF-8?  This is the inverse of UTF8_IS_INVARIANT.  The |0 makes sure this
 264  * isn't mistakenly called with a ptr argument */
 265 #define UTF8_IS_CONTINUED(c)        (((U8)((c) | 0)) &  UTF_CONTINUATION_MARK)
 266
 267 /* Is the byte 'c' the first byte of a multi-byte UTF8-8 encoded sequence?
 268  * This doesn't catch invariants (they are single-byte).  It also excludes the
 269  * illegal overlong sequences that begin with C0 and C1.  The |0 makes sure
 270  * this isn't mistakenly called with a ptr argument */
 271 #define UTF8_IS_START(c)            (((U8)((c) | 0)) >= 0xc2)
 272
 273 /* For use in UTF8_IS_CONTINUATION() below */
 274 #define UTF_IS_CONTINUATION_MASK    0xC0
 275
 276 /* Is the byte 'c' part of a multi-byte UTF8-8 encoded sequence, and not the
 277  * first byte thereof?  The |0 makes sure this isn't mistakenly called with a
 278  * ptr argument */
 279 #define UTF8_IS_CONTINUATION(c)                                             \
 280     ((((U8)((c) | 0)) & UTF_IS_CONTINUATION_MASK) == UTF_CONTINUATION_MARK)
 281
 282 /* Is the UTF8-encoded byte 'c' the first byte of a two byte sequence?  Use
 283  * UTF8_IS_NEXT_CHAR_DOWNGRADEABLE() instead if the input isn't known to
 284  * be well-formed.  Masking with 0xfe allows the low bit to be 0 or 1; thus
 285  * this matches 0xc[23].  The |0 makes sure this isn't mistakenly called with a
 286  * ptr argument */
 287 #define UTF8_IS_DOWNGRADEABLE_START(c)  ((((U8)((c) | 0)) & 0xfe) == 0xc2)
 288
 289 /* Is the UTF8-encoded byte 'c' the first byte of a sequence of bytes that
 290  * represent a code point > 255?  The |0 makes sure this isn't mistakenly
 291  * called with a ptr argument */
 292 #define UTF8_IS_ABOVE_LATIN1(c)     (((U8)((c) | 0)) >= 0xc4)
 293
 294 /* This is the number of low-order bits a continuation byte in a UTF-8 encoded
 295  * sequence contributes to the specification of the code point.  In the bit
 296  * maps above, you see that the first 2 bits are a constant '10', leaving 6 of
 297  * real information */
 298 #define UTF_ACCUMULATION_SHIFT          6
 299
 300 /* ^? is defined to be DEL on ASCII systems.  See the definition of toCTRL()
 301  * for more */
 302 #define QUESTION_MARK_CTRL  DEL_NATIVE
 303
 304 /* Surrogates, non-character code points and above-Unicode code points are
 305  * problematic in some contexts.  This allows code that needs to check for
 306  * those to to quickly exclude the vast majority of code points it will
 307  * encounter */
 308 #define isUTF8_POSSIBLY_PROBLEMATIC(c) ((U8) c >= 0xED)
 309
 310 /* A helper macro for isUTF8_CHAR, so use that one instead of this.  This was
 311  * generated by regen/regcharclass.pl, and then moved here.  Then it was
 312  * hand-edited to add some LIKELY() calls, presuming that malformations are
 313  * unlikely.  The lines that generated it were then commented out.  This was
 314  * done because it takes on the order of 10 minutes to generate, and is never
 315  * going to change, unless the generated code is improved, and figuring out
 316  * the LIKELYs there would be hard.
 317  *
 318         UTF8_CHAR: Matches legal UTF-8 variant code points up through 0x1FFFFFF
 319
 320         0x80 - 0x1FFFFF
 321 */
 322 /*** GENERATED CODE ***/
 323 #define is_UTF8_CHAR_utf8_no_length_checks(s)                               \
 324 ( ( 0xC2 <= ((U8*)s)[0] && ((U8*)s)[0] <= 0xDF ) ?                          \
 325     ( LIKELY( ( ((U8*)s)[1] & 0xC0 ) == 0x80 ) ? 2 : 0 )                    \
 326 : ( 0xE0 == ((U8*)s)[0] ) ?                                                 \
 327     ( LIKELY( ( ( ((U8*)s)[1] & 0xE0 ) == 0xA0 ) && ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ) ? 3 : 0 )\
 328 : ( 0xE1 <= ((U8*)s)[0] && ((U8*)s)[0] <= 0xEF ) ?                          \
 329     ( LIKELY( ( ( ((U8*)s)[1] & 0xC0 ) == 0x80 ) && ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ) ? 3 : 0 )\
 330 : ( 0xF0 == ((U8*)s)[0] ) ?                                                 \
 331     ( LIKELY( ( ( 0x90 <= ((U8*)s)[1] && ((U8*)s)[1] <= 0xBF ) && ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ) && ( ( ((U8*)s)[3] & 0xC0 ) == 0x80 ) ) ? 4 : 0 )\
 332 : ( ( ( ( 0xF1 <= ((U8*)s)[0] && ((U8*)s)[0] <= 0xF7 ) && LIKELY( ( ((U8*)s)[1] & 0xC0 ) == 0x80 ) ) && LIKELY( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ) && LIKELY( ( ((U8*)s)[3] & 0xC0 ) == 0x80 ) ) ? 4 : 0 )
 333
 334 /* The above macro handles UTF-8 that has this start byte as the maximum */
 335 #define _IS_UTF8_CHAR_HIGHEST_START_BYTE 0xF7
 336
 337 /* A helper macro for isSTRICT_UTF8_CHAR, so use that one instead of this.
 338  * Like is_UTF8_CHAR_utf8_no_length_checks(), this was moved here and LIKELYs
 339  * added manually.
 340  *
 341         STRICT_UTF8_CHAR: Matches legal Unicode UTF-8 variant code points, no
 342                           surrrogates nor non-character code points
 343 */
 344 /*** GENERATED CODE ***/
 345 #define is_STRICT_UTF8_CHAR_utf8_no_length_checks(s)                        \
 346 ( ( 0xC2 <= ((U8*)s)[0] && ((U8*)s)[0] <= 0xDF ) ?                          \
 347     ( LIKELY( ( ((U8*)s)[1] & 0xC0 ) == 0x80 ) ? 2 : 0 )                          \
 348 : ( 0xE0 == ((U8*)s)[0] ) ?                                                 \
 349     ( LIKELY( ( ( ((U8*)s)[1] & 0xE0 ) == 0xA0 ) && ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ) ? 3 : 0 )\
 350 : ( ( 0xE1 <= ((U8*)s)[0] && ((U8*)s)[0] <= 0xEC ) || 0xEE == ((U8*)s)[0] ) ?\
 351     ( ( ( ( ((U8*)s)[1] & 0xC0 ) == 0x80 ) && ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ) ? 3 : 0 )\
 352 : ( 0xED == ((U8*)s)[0] ) ?                                                 \
 353     ( LIKELY( ( ( ((U8*)s)[1] & 0xE0 ) == 0x80 ) && ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ) ? 3 : 0 )\
 354 : ( 0xEF == ((U8*)s)[0] ) ?                                                 \
 355     ( ( ( 0x80 <= ((U8*)s)[1] && ((U8*)s)[1] <= 0xB6 ) || ( 0xB8 <= ((U8*)s)[1] && ((U8*)s)[1] <= 0xBE ) ) ?\
 356         ( LIKELY( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ? 3 : 0 )                      \
 357     : ( 0xB7 == ((U8*)s)[1] ) ?                                             \
 358         ( LIKELY( ( ((U8*)s)[2] & 0xF0 ) == 0x80 || ( ((U8*)s)[2] & 0xF0 ) == 0xB0 ) ? 3 : 0 )\
 359     : ( ( 0xBF == ((U8*)s)[1] ) && ( 0x80 <= ((U8*)s)[2] && ((U8*)s)[2] <= 0xBD ) ) ? 3 : 0 )\
 360 : ( 0xF0 == ((U8*)s)[0] ) ?                                                 \
 361     ( ( ( 0x90 <= ((U8*)s)[1] && ((U8*)s)[1] <= 0x9E ) || ( 0xA0 <= ((U8*)s)[1] && ((U8*)s)[1] <= 0xAE ) || ( 0xB0 <= ((U8*)s)[1] && ((U8*)s)[1] <= 0xBE ) ) ?\
 362         ( LIKELY( ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) && ( ( ((U8*)s)[3] & 0xC0 ) == 0x80 ) ) ? 4 : 0 )\
 363     : ( ((U8*)s)[1] == 0x9F || ( ( ((U8*)s)[1] & 0xEF ) == 0xAF ) ) ?       \
 364         ( ( 0x80 <= ((U8*)s)[2] && ((U8*)s)[2] <= 0xBE ) ?                  \
 365             ( LIKELY( ( ((U8*)s)[3] & 0xC0 ) == 0x80 ) ? 4 : 0 )                  \
 366         : LIKELY( ( 0xBF == ((U8*)s)[2] ) && ( 0x80 <= ((U8*)s)[3] && ((U8*)s)[3] <= 0xBD ) ) ? 4 : 0 )\
 367     : 0 )                                                                   \
 368 : ( 0xF1 <= ((U8*)s)[0] && ((U8*)s)[0] <= 0xF3 ) ?                          \
 369     ( ( ( ( ((U8*)s)[1] & 0xC8 ) == 0x80 ) || ( ( ((U8*)s)[1] & 0xCC ) == 0x88 ) || ( ( ((U8*)s)[1] & 0xCE ) == 0x8C ) || ( ( ((U8*)s)[1] & 0xCF ) == 0x8E ) ) ?\
 370         ( LIKELY( ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) && ( ( ((U8*)s)[3] & 0xC0 ) == 0x80 ) ) ? 4 : 0 )\
 371     : ( ( ((U8*)s)[1] & 0xCF ) == 0x8F ) ?                                  \
 372         ( ( 0x80 <= ((U8*)s)[2] && ((U8*)s)[2] <= 0xBE ) ?                  \
 373             ( LIKELY( ( ((U8*)s)[3] & 0xC0 ) == 0x80 ) ? 4 : 0 )                  \
 374         : LIKELY( ( 0xBF == ((U8*)s)[2] ) && ( 0x80 <= ((U8*)s)[3] && ((U8*)s)[3] <= 0xBD ) ) ? 4 : 0 )\
 375     : 0 )                                                                   \
 376 : ( 0xF4 == ((U8*)s)[0] ) ?                                                 \
 377     ( ( 0x80 <= ((U8*)s)[1] && ((U8*)s)[1] <= 0x8E ) ?                      \
 378         ( LIKELY( ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) && ( ( ((U8*)s)[3] & 0xC0 ) == 0x80 ) ) ? 4 : 0 )\
 379     : ( 0x8F == ((U8*)s)[1] ) ?                                             \
 380         ( ( 0x80 <= ((U8*)s)[2] && ((U8*)s)[2] <= 0xBE ) ?                  \
 381             ( LIKELY( ( ((U8*)s)[3] & 0xC0 ) == 0x80 ) ? 4 : 0 )                  \
 382         : LIKELY( ( 0xBF == ((U8*)s)[2] ) && ( 0x80 <= ((U8*)s)[3] && ((U8*)s)[3] <= 0xBD ) ) ? 4 : 0 )\
 383     : 0 )                                                                   \
 384 : 0 )
 385
 386 /*  Similarly,
 387         C9_STRICT_UTF8_CHAR: Matches legal Unicode UTF-8 variant code
 388                                      points, no surrogates
 389         0x0080 - 0xD7FF
 390         0xE000 - 0x10FFFF
 391 */
 392 /*** GENERATED CODE ***/
 393 #define is_C9_STRICT_UTF8_CHAR_utf8_no_length_checks(s)                     \
 394 ( ( 0xC2 <= ((U8*)s)[0] && ((U8*)s)[0] <= 0xDF ) ?                          \
 395     ( LIKELY( ( ((U8*)s)[1] & 0xC0 ) == 0x80 ) ? 2 : 0 )                    \
 396 : ( 0xE0 == ((U8*)s)[0] ) ?                                                 \
 397     ( LIKELY( ( ( ((U8*)s)[1] & 0xE0 ) == 0xA0 ) && ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ) ? 3 : 0 )\
 398 : ( ( 0xE1 <= ((U8*)s)[0] && ((U8*)s)[0] <= 0xEC ) || ( ((U8*)s)[0] & 0xFE ) == 0xEE ) ?\
 399     ( LIKELY( ( ( ((U8*)s)[1] & 0xC0 ) == 0x80 ) && ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ) ? 3 : 0 )\
 400 : ( 0xED == ((U8*)s)[0] ) ?                                                 \
 401     ( LIKELY( ( ( ((U8*)s)[1] & 0xE0 ) == 0x80 ) && ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ) ? 3 : 0 )\
 402 : ( 0xF0 == ((U8*)s)[0] ) ?                                                 \
 403     ( LIKELY( ( ( 0x90 <= ((U8*)s)[1] && ((U8*)s)[1] <= 0xBF ) && ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ) && ( ( ((U8*)s)[3] & 0xC0 ) == 0x80 ) ) ? 4 : 0 )\
 404 : ( 0xF1 <= ((U8*)s)[0] && ((U8*)s)[0] <= 0xF3 ) ?                          \
 405     ( LIKELY( ( ( ( ((U8*)s)[1] & 0xC0 ) == 0x80 ) && ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ) && ( ( ((U8*)s)[3] & 0xC0 ) == 0x80 ) ) ? 4 : 0 )\
 406 : LIKELY( ( ( ( 0xF4 == ((U8*)s)[0] ) && ( ( ((U8*)s)[1] & 0xF0 ) == 0x80 ) ) && ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ) && ( ( ((U8*)s)[3] & 0xC0 ) == 0x80 ) ) ? 4 : 0 )
 407
 408 #endif /* EBCDIC vs ASCII */
 409
 410 /* 2**UTF_ACCUMULATION_SHIFT - 1 */
 411 #define UTF_CONTINUATION_MASK  ((U8) ((1U << UTF_ACCUMULATION_SHIFT) - 1))
 412
 413 /* Internal macro to be used only in this file to aid in constructing other
 414  * publicly accessible macros.
 415  * The number of bytes required to express this uv in UTF-8, for just those
 416  * uv's requiring 2 through 6 bytes, as these are common to all platforms and
 417  * word sizes.  The number of bytes needed is given by the number of leading 1
 418  * bits in the start byte.  There are 32 start bytes that have 2 initial 1 bits
 419  * (C0-DF); there are 16 that have 3 initial 1 bits (E0-EF); 8 that have 4
 420  * initial 1 bits (F0-F8); 4 that have 5 initial 1 bits (F9-FB), and 2 that
 421  * have 6 initial 1 bits (FC-FD).  The largest number a string of n bytes can
 422  * represent is       (the number of possible start bytes for 'n')
 423  *                  * (the number of possiblities for each start byte
 424  * The latter in turn is
 425  *                  2  ** (  (how many continuation bytes there are)
 426  *                         * (the number of bits of information each
 427  *                            continuation byte holds))
 428  *
 429  * If we were on a platform where we could use a fast find first set bit
 430  * instruction (or count leading zeros instruction) this could be replaced by
 431  * using that to find the log2 of the uv, and divide that by the number of bits
 432  * of information in each continuation byte, adjusting for large cases and how
 433  * much information is in a start byte for that length */
 434 #define __COMMON_UNI_SKIP(uv)                                               \
 435           (UV) (uv) < (32 * (1U << (    UTF_ACCUMULATION_SHIFT))) ? 2 :     \
 436           (UV) (uv) < (16 * (1U << (2 * UTF_ACCUMULATION_SHIFT))) ? 3 :     \
 437           (UV) (uv) < ( 8 * (1U << (3 * UTF_ACCUMULATION_SHIFT))) ? 4 :     \
 438           (UV) (uv) < ( 4 * (1U << (4 * UTF_ACCUMULATION_SHIFT))) ? 5 :     \
 439           (UV) (uv) < ( 2 * (1U << (5 * UTF_ACCUMULATION_SHIFT))) ? 6 :
 440
 441 /* Internal macro to be used only in this file.
 442  * This adds to __COMMON_UNI_SKIP the details at this platform's upper range.
 443  * For any-sized EBCDIC platforms, or 64-bit ASCII ones, we need one more test
 444  * to see if just 7 bytes is needed, or if the maximum is needed.  For 32-bit
 445  * ASCII platforms, everything is representable by 7 bytes */
 446 #if defined(UV_IS_QUAD) || defined(EBCDIC)
 447 #   define __BASE_UNI_SKIP(uv) (__COMMON_UNI_SKIP(uv)                       \
 448      (UV) (uv) < ((UV) 1U << (6 * UTF_ACCUMULATION_SHIFT)) ? 7 : UTF8_MAXBYTES)
 449 #else
 450 #   define __BASE_UNI_SKIP(uv) (__COMMON_UNI_SKIP(uv) 7)
 451 #endif
 452
 453 /* The next two macros use the base macro defined above, and add in the tests
 454  * at the low-end of the range, for just 1 byte, yielding complete macros,
 455  * publicly accessible. */
 456
 457 /* Input is a true Unicode (not-native) code point */
 458 #define OFFUNISKIP(uv) (OFFUNI_IS_INVARIANT(uv) ? 1 : __BASE_UNI_SKIP(uv))
 459
 460 /*
 461
 462 =for apidoc Am|STRLEN|UVCHR_SKIP|UV cp
 463 returns the number of bytes required to represent the code point C<cp> when
 464 encoded as UTF-8.  C<cp> is a native (ASCII or EBCDIC) code point if less than
 465 255; a Unicode code point otherwise.
 466
 467 =cut
 468  */
 469 #define UVCHR_SKIP(uv) ( UVCHR_IS_INVARIANT(uv) ? 1 : __BASE_UNI_SKIP(uv))
 470
 471 /* The largest code point representable by two UTF-8 bytes on this platform.
 472  * As explained in the comments for __COMMON_UNI_SKIP, 32 start bytes with
 473  * UTF_ACCUMULATION_SHIFT bits of information each */
 474 #define MAX_UTF8_TWO_BYTE (32 * (1U << UTF_ACCUMULATION_SHIFT) - 1)
 475
 476 /* The largest code point representable by two UTF-8 bytes on any platform that
 477  * Perl runs on.  This value is constrained by EBCDIC which has 5 bits per
 478  * continuation byte */
 479 #define MAX_PORTABLE_UTF8_TWO_BYTE (32 * (1U << 5) - 1)
 480
 481 /* The maximum number of UTF-8 bytes a single Unicode character can
 482  * uppercase/lowercase/fold into.  Unicode guarantees that the maximum
 483  * expansion is UTF8_MAX_FOLD_CHAR_EXPAND characters, but any above-Unicode
 484  * code point will fold to itself, so we only have to look at the expansion of
 485  * the maximum Unicode code point.  But this number may be less than the space
 486  * occupied by a very large code point under Perl's extended UTF-8.  We have to
 487  * make it large enough to fit any single character.  (It turns out that ASCII
 488  * and EBCDIC differ in which is larger) */
 489 #define UTF8_MAXBYTES_CASE                                                      \
 490         (UTF8_MAXBYTES >= (UTF8_MAX_FOLD_CHAR_EXPAND * OFFUNISKIP(0x10FFFF))    \
 491                            ? UTF8_MAXBYTES                                      \
 492                            : (UTF8_MAX_FOLD_CHAR_EXPAND * OFFUNISKIP(0x10FFFF)))
 493
 494 /* Rest of these are attributes of Unicode and perl's internals rather than the
 495  * encoding, or happen to be the same in both ASCII and EBCDIC (at least at
 496  * this level; the macros that some of these call may have different
 497  * definitions in the two encodings */
 498
 499 /* In domain restricted to ASCII, these may make more sense to the reader than
 500  * the ones with Latin1 in the name */
 501 #define NATIVE_TO_ASCII(ch)      NATIVE_TO_LATIN1(ch)
 502 #define ASCII_TO_NATIVE(ch)      LATIN1_TO_NATIVE(ch)
 503
 504 /* More or less misleadingly-named defines, retained for back compat */
 505 #define NATIVE_TO_UTF(ch)        NATIVE_UTF8_TO_I8(ch)
 506 #define NATIVE_TO_I8(ch)         NATIVE_UTF8_TO_I8(ch)
 507 #define UTF_TO_NATIVE(ch)        I8_TO_NATIVE_UTF8(ch)
 508 #define I8_TO_NATIVE(ch)         I8_TO_NATIVE_UTF8(ch)
 509 #define NATIVE8_TO_UNI(ch)       NATIVE_TO_LATIN1(ch)
 510
 511 /* This defines the 1-bits that are to be in the first byte of a multi-byte
 512  * UTF-8 encoded character that mark it as a start byte and give the number of
 513  * bytes that comprise the character. 'len' is the number of bytes in the
 514  * multi-byte sequence. */
 515 #define UTF_START_MARK(len) (((len) >  7) ? 0xFF : (0xFF & (0xFE << (7-(len)))))
 516
 517 /* Masks out the initial one bits in a start byte, leaving the real data ones.
 518  * Doesn't work on an invariant byte.  'len' is the number of bytes in the
 519  * multi-byte sequence that comprises the character. */
 520 #define UTF_START_MASK(len) (((len) >= 7) ? 0x00 : (0x1F >> ((len)-2)))
 521
 522 /* Adds a UTF8 continuation byte 'new' of information to a running total code
 523  * point 'old' of all the continuation bytes so far.  This is designed to be
 524  * used in a loop to convert from UTF-8 to the code point represented.  Note
 525  * that this is asymmetric on EBCDIC platforms, in that the 'new' parameter is
 526  * the UTF-EBCDIC byte, whereas the 'old' parameter is a Unicode (not EBCDIC)
 527  * code point in process of being generated */
 528 #define UTF8_ACCUMULATE(old, new) (((old) << UTF_ACCUMULATION_SHIFT)           \
 529                                    | ((NATIVE_UTF8_TO_I8((U8)new))             \
 530                                        & UTF_CONTINUATION_MASK))
 531
 532 /* If a value is anded with this, and the result is non-zero, then using the
 533  * original value in UTF8_ACCUMULATE will overflow, shifting bits off the left
 534  * */
 535 #define UTF_ACCUMULATION_OVERFLOW_MASK                                  \
 536     (((UV) UTF_CONTINUATION_MASK) << ((sizeof(UV) * CHARBITS)           \
 537            - UTF_ACCUMULATION_SHIFT))
 538
 539 /* This works in the face of malformed UTF-8. */
 540 #define UTF8_IS_NEXT_CHAR_DOWNGRADEABLE(s, e) (UTF8_IS_DOWNGRADEABLE_START(*s) \
 541                                                && ( (e) - (s) > 1)             \
 542                                                && UTF8_IS_CONTINUATION(*((s)+1)))
 543
 544 /* Number of bytes a code point occupies in UTF-8. */
 545 #define NATIVE_SKIP(uv) UVCHR_SKIP(uv)
 546
 547 /* Most code which says UNISKIP is really thinking in terms of native code
 548  * points (0-255) plus all those beyond.  This is an imprecise term, but having
 549  * it means existing code continues to work.  For precision, use UVCHR_SKIP,
 550  * NATIVE_SKIP, or OFFUNISKIP */
 551 #define UNISKIP(uv)   UVCHR_SKIP(uv)
 552
 553 /* Longer, but more accurate name */
 554 #define UTF8_IS_ABOVE_LATIN1_START(c)     UTF8_IS_ABOVE_LATIN1(c)
 555
 556 /* Convert a UTF-8 variant Latin1 character to a native code point value.
 557  * Needs just one iteration of accumulate.  Should be used only if it is known
 558  * that the code point is < 256, and is not UTF-8 invariant.  Use the slower
 559  * but more general TWO_BYTE_UTF8_TO_NATIVE() which handles any code point
 560  * representable by two bytes (which turns out to be up through
 561  * MAX_PORTABLE_UTF8_TWO_BYTE).  The two parameters are:
 562  *  HI: a downgradable start byte;
 563  *  LO: continuation.
 564  * */
 565 #define EIGHT_BIT_UTF8_TO_NATIVE(HI, LO)                                        \
 566     ( __ASSERT_(UTF8_IS_DOWNGRADEABLE_START(HI))                                \
 567       __ASSERT_(UTF8_IS_CONTINUATION(LO))                                       \
 568      LATIN1_TO_NATIVE(UTF8_ACCUMULATE((                                         \
 569                             NATIVE_UTF8_TO_I8(HI) & UTF_START_MASK(2)), (LO))))
 570
 571 /* Convert a two (not one) byte utf8 character to a native code point value.
 572  * Needs just one iteration of accumulate.  Should not be used unless it is
 573  * known that the two bytes are legal: 1) two-byte start, and 2) continuation.
 574  * Note that the result can be larger than 255 if the input character is not
 575  * downgradable */
 576 #define TWO_BYTE_UTF8_TO_NATIVE(HI, LO) \
 577     ( __ASSERT_(PL_utf8skip[HI] == 2)                                           \
 578       __ASSERT_(UTF8_IS_CONTINUATION(LO))                                       \
 579      UNI_TO_NATIVE(UTF8_ACCUMULATE((NATIVE_UTF8_TO_I8(HI) & UTF_START_MASK(2)), \
 580                                    (LO))))
 581
 582 /* Should never be used, and be deprecated */
 583 #define TWO_BYTE_UTF8_TO_UNI(HI, LO) NATIVE_TO_UNI(TWO_BYTE_UTF8_TO_NATIVE(HI, LO))
 584
 585 /*
 586
 587 =for apidoc Am|STRLEN|UTF8SKIP|char* s
 588 returns the number of bytes in the UTF-8 encoded character whose first (perhaps
 589 only) byte is pointed to by C<s>.
 590
 591 =cut
 592  */
 593 #define UTF8SKIP(s)  PL_utf8skip[*(const U8*)(s)]
 594 #define UTF8_SKIP(s) UTF8SKIP(s)
 595
 596 /* Most code that says 'UNI_' really means the native value for code points up
 597  * through 255 */
 598 #define UNI_IS_INVARIANT(cp)   UVCHR_IS_INVARIANT(cp)
 599
 600 /*
 601 =for apidoc Am|bool|UTF8_IS_INVARIANT|char c
 602
 603 Evaluates to 1 if the byte C<c> represents the same character when encoded in
 604 UTF-8 as when not; otherwise evaluates to 0.  UTF-8 invariant characters can be
 605 copied as-is when converting to/from UTF-8, saving time.
 606
 607 In spite of the name, this macro gives the correct result if the input string
 608 from which C<c> comes is not encoded in UTF-8.
 609
 610 See C<L</UVCHR_IS_INVARIANT>> for checking if a UV is invariant.
 611
 612 =cut
 613
 614 The reason it works on both UTF-8 encoded strings and non-UTF-8 encoded, is
 615 that it returns TRUE in each for the exact same set of bit patterns.  It is
 616 valid on a subset of what UVCHR_IS_INVARIANT is valid on, so can just use that;
 617 and the compiler should optimize out anything extraneous given the
 618 implementation of the latter.  The |0 makes sure this isn't mistakenly called
 619 with a ptr argument.
 620 */
 621 #define UTF8_IS_INVARIANT(c)    UVCHR_IS_INVARIANT((c) | 0)
 622
 623 /* Like the above, but its name implies a non-UTF8 input, which as the comments
 624  * above show, doesn't matter as to its implementation */
 625 #define NATIVE_BYTE_IS_INVARIANT(c)     UVCHR_IS_INVARIANT(c)
 626
 627 /* The macros in the next 4 sets are used to generate the two utf8 or utfebcdic
 628  * bytes from an ordinal that is known to fit into exactly two (not one) bytes;
 629  * it must be less than 0x3FF to work across both encodings. */
 630
 631 /* These two are helper macros for the other three sets, and should not be used
 632  * directly anywhere else.  'translate_function' is either NATIVE_TO_LATIN1
 633  * (which works for code points up through 0xFF) or NATIVE_TO_UNI which works
 634  * for any code point */
 635 #define __BASE_TWO_BYTE_HI(c, translate_function)                               \
 636            (__ASSERT_(! UVCHR_IS_INVARIANT(c))                                  \
 637             I8_TO_NATIVE_UTF8((translate_function(c) >> UTF_ACCUMULATION_SHIFT) \
 638                               | UTF_START_MARK(2)))
 639 #define __BASE_TWO_BYTE_LO(c, translate_function)                               \
 640              (__ASSERT_(! UVCHR_IS_INVARIANT(c))                                \
 641               I8_TO_NATIVE_UTF8((translate_function(c) & UTF_CONTINUATION_MASK) \
 642                                  | UTF_CONTINUATION_MARK))
 643
 644 /* The next two macros should not be used.  They were designed to be usable as
 645  * the case label of a switch statement, but this doesn't work for EBCDIC.  Use
 646  * regen/unicode_constants.pl instead */
 647 #define UTF8_TWO_BYTE_HI_nocast(c)  __BASE_TWO_BYTE_HI(c, NATIVE_TO_UNI)
 648 #define UTF8_TWO_BYTE_LO_nocast(c)  __BASE_TWO_BYTE_LO(c, NATIVE_TO_UNI)
 649
 650 /* The next two macros are used when the source should be a single byte
 651  * character; checked for under DEBUGGING */
 652 #define UTF8_EIGHT_BIT_HI(c) (__ASSERT_(FITS_IN_8_BITS(c))                    \
 653                              ( __BASE_TWO_BYTE_HI(c, NATIVE_TO_LATIN1)))
 654 #define UTF8_EIGHT_BIT_LO(c) (__ASSERT_(FITS_IN_8_BITS(c))                    \
 655                              (__BASE_TWO_BYTE_LO(c, NATIVE_TO_LATIN1)))
 656
 657 /* These final two macros in the series are used when the source can be any
 658  * code point whose UTF-8 is known to occupy 2 bytes; they are less efficient
 659  * than the EIGHT_BIT versions on EBCDIC platforms.  We use the logical '~'
 660  * operator instead of "<=" to avoid getting compiler warnings.
 661  * MAX_UTF8_TWO_BYTE should be exactly all one bits in the lower few
 662  * places, so the ~ works */
 663 #define UTF8_TWO_BYTE_HI(c)                                                    \
 664        (__ASSERT_((sizeof(c) ==  1)                                            \
 665                   || !(((WIDEST_UTYPE)(c)) & ~MAX_UTF8_TWO_BYTE))              \
 666         (__BASE_TWO_BYTE_HI(c, NATIVE_TO_UNI)))
 667 #define UTF8_TWO_BYTE_LO(c)                                                    \
 668        (__ASSERT_((sizeof(c) ==  1)                                            \
 669                   || !(((WIDEST_UTYPE)(c)) & ~MAX_UTF8_TWO_BYTE))              \
 670         (__BASE_TWO_BYTE_LO(c, NATIVE_TO_UNI)))
 671
 672 /* This is illegal in any well-formed UTF-8 in both EBCDIC and ASCII
 673  * as it is only in overlongs. */
 674 #define ILLEGAL_UTF8_BYTE   I8_TO_NATIVE_UTF8(0xC1)
 675
 676 /*
 677  * 'UTF' is whether or not p is encoded in UTF8.  The names 'foo_lazy_if' stem
 678  * from an earlier version of these macros in which they didn't call the
 679  * foo_utf8() macros (i.e. were 'lazy') unless they decided that *p is the
 680  * beginning of a utf8 character.  Now that foo_utf8() determines that itself,
 681  * no need to do it again here
 682  */
 683 #define isIDFIRST_lazy_if(p,UTF) ((IN_BYTES || !UTF)                \
 684                                  ? isIDFIRST(*(p))                  \
 685                                  : isIDFIRST_utf8((const U8*)p))
 686 #define isWORDCHAR_lazy_if(p,UTF)   ((IN_BYTES || (!UTF))           \
 687                                  ? isWORDCHAR(*(p))                 \
 688                                  : isWORDCHAR_utf8((const U8*)p))
 689 #define isALNUM_lazy_if(p,UTF)   isWORDCHAR_lazy_if(p,UTF)
 690
 691 #define UTF8_MAXLEN UTF8_MAXBYTES
 692
 693 /* A Unicode character can fold to up to 3 characters */
 694 #define UTF8_MAX_FOLD_CHAR_EXPAND 3
 695
 696 #define IN_BYTES (CopHINTS_get(PL_curcop) & HINT_BYTES)
 697
 698 /*
 699
 700 =for apidoc Am|bool|DO_UTF8|SV* sv
 701 Returns a bool giving whether or not the PV in C<sv> is to be treated as being
 702 encoded in UTF-8.
 703
 704 You should use this I<after> a call to C<SvPV()> or one of its variants, in
 705 case any call to string overloading updates the internal UTF-8 encoding flag.
 706
 707 =cut
 708 */
 709 #define DO_UTF8(sv) (SvUTF8(sv) && !IN_BYTES)
 710
 711 /* Should all strings be treated as Unicode, and not just UTF-8 encoded ones?
 712  * Is so within 'feature unicode_strings' or 'locale :not_characters', and not
 713  * within 'use bytes'.  UTF-8 locales are not tested for here, but perhaps
 714  * could be */
 715 #define IN_UNI_8_BIT                                                             \
 716             (((CopHINTS_get(PL_curcop) & (HINT_UNI_8_BIT))                       \
 717                || (CopHINTS_get(PL_curcop) & HINT_LOCALE_PARTIAL                 \
 718                    /* -1 below is for :not_characters */                         \
 719                    && _is_in_locale_category(FALSE, -1)))                        \
 720               && ! IN_BYTES)
 721
 722
 723 #define UTF8_ALLOW_EMPTY                0x0001  /* Allow a zero length string */
 724
 725 /* Allow first byte to be a continuation byte */
 726 #define UTF8_ALLOW_CONTINUATION         0x0002
 727
 728 /* Allow second... bytes to be non-continuation bytes */
 729 #define UTF8_ALLOW_NON_CONTINUATION     0x0004
 730
 731 /* expecting more bytes than were available in the string */
 732 #define UTF8_ALLOW_SHORT                0x0008
 733
 734 /* Overlong sequence; i.e., the code point can be specified in fewer bytes. */
 735 #define UTF8_ALLOW_LONG                 0x0010
 736
 737 #define UTF8_DISALLOW_SURROGATE         0x0020  /* Unicode surrogates */
 738 #define UTF8_WARN_SURROGATE             0x0040
 739
 740 #define UTF8_DISALLOW_NONCHAR           0x0080  /* Unicode non-character */
 741 #define UTF8_WARN_NONCHAR               0x0100  /*  code points */
 742
 743 #define UTF8_DISALLOW_SUPER             0x0200  /* Super-set of Unicode: code */
 744 #define UTF8_WARN_SUPER                 0x0400  /* points above the legal max */
 745
 746 /* Code points which never were part of the original UTF-8 standard, which only
 747  * went up to 2 ** 31 - 1.  Note that these all overflow a signed 32-bit word,
 748  * The first byte of these code points is FE or FF on ASCII platforms.  If the
 749  * first byte is FF, it will overflow a 32-bit word. */
 750 #define UTF8_DISALLOW_ABOVE_31_BIT      0x0800
 751 #define UTF8_WARN_ABOVE_31_BIT          0x1000
 752
 753 /* For back compat, these old names are misleading for UTF_EBCDIC */
 754 #define UTF8_DISALLOW_FE_FF             UTF8_DISALLOW_ABOVE_31_BIT
 755 #define UTF8_WARN_FE_FF                 UTF8_WARN_ABOVE_31_BIT
 756
 757 #define UTF8_CHECK_ONLY                 0x2000
 758
 759 /* For backwards source compatibility.  They do nothing, as the default now
 760  * includes what they used to mean.  The first one's meaning was to allow the
 761  * just the single non-character 0xFFFF */
 762 #define UTF8_ALLOW_FFFF 0
 763 #define UTF8_ALLOW_SURROGATE 0
 764
 765 /* C9 refers to Unicode Corrigendum #9: allows but discourages non-chars */
 766 #define UTF8_DISALLOW_ILLEGAL_C9_INTERCHANGE                                    \
 767                                  (UTF8_DISALLOW_SUPER|UTF8_DISALLOW_SURROGATE)
 768 #define UTF8_WARN_ILLEGAL_C9_INTERCHANGE (UTF8_WARN_SUPER|UTF8_WARN_SURROGATE)
 769
 770 #define UTF8_DISALLOW_ILLEGAL_INTERCHANGE                                       \
 771                   (UTF8_DISALLOW_ILLEGAL_C9_INTERCHANGE|UTF8_DISALLOW_NONCHAR)
 772 #define UTF8_WARN_ILLEGAL_INTERCHANGE \
 773                           (UTF8_WARN_ILLEGAL_C9_INTERCHANGE|UTF8_WARN_NONCHAR)
 774
 775 #define UTF8_ALLOW_ANY                                                          \
 776             (~( UTF8_DISALLOW_ILLEGAL_INTERCHANGE|UTF8_DISALLOW_ABOVE_31_BIT    \
 777                |UTF8_WARN_ILLEGAL_INTERCHANGE|UTF8_WARN_ABOVE_31_BIT))
 778 #define UTF8_ALLOW_ANYUV                                                        \
 779          (UTF8_ALLOW_EMPTY                                                      \
 780           & ~(UTF8_DISALLOW_ILLEGAL_INTERCHANGE|UTF8_WARN_ILLEGAL_INTERCHANGE))
 781 #define UTF8_ALLOW_DEFAULT              (ckWARN(WARN_UTF8) ? 0 : \
 782                                          UTF8_ALLOW_ANYUV)
 783
 784 /*
 785 =for apidoc Am|bool|UTF8_IS_SURROGATE|const U8 *s|const U8 *e
 786
 787 Evaluates to non-zero if the first few bytes of the string starting at C<s> and
 788 looking no further than S<C<e - 1>> are well-formed UTF-8 that represents one
 789 of the Unicode surrogate code points; otherwise it evaluates to 0.  If
 790 non-zero, the value gives how many bytes starting at C<s> comprise the code
 791 point's representation.
 792
 793 =cut
 794  */
 795 #define UTF8_IS_SURROGATE(s, e)      is_SURROGATE_utf8_safe(s, e)
 796
 797
 798 #define UTF8_IS_REPLACEMENT(s, send) is_REPLACEMENT_utf8_safe(s,send)
 799
 800 /*
 801 =for apidoc Am|bool|UTF8_IS_SUPER|const U8 *s|const U8 *e
 802
 803 Recall that Perl recognizes an extension to UTF-8 that can encode code
 804 points larger than the ones defined by Unicode, which are 0..0x10FFFF.
 805
 806 This macro evaluates to non-zero if the first few bytes of the string starting
 807 at C<s> and looking no further than S<C<e - 1>> are from this UTF-8 extension;
 808 otherwise it evaluates to 0.  If non-zero, the value gives how many bytes
 809 starting at C<s> comprise the code point's representation.
 810
 811 0 is returned if the bytes are not well-formed extended UTF-8, or if they
 812 represent a code point that cannot fit in a UV on the current platform.  Hence
 813 this macro can give different results when run on a 64-bit word machine than on
 814 one with a 32-bit word size.
 815
 816 Note that it is deprecated to have code points that are larger than what can
 817 fit in an IV on the current machine.
 818
 819 =cut
 820
 821  *                ASCII              EBCDIC I8
 822  * U+10FFFF: \xF4\x8F\xBF\xBF   \xF9\xA1\xBF\xBF\xBF    max legal Unicode
 823  * U+110000: \xF4\x90\x80\x80   \xF9\xA2\xA0\xA0\xA0
 824  * U+110001: \xF4\x90\x80\x81   \xF9\xA2\xA0\xA0\xA1
 825  */
 826 #ifdef EBCDIC
 827 #   define UTF8_IS_SUPER(s, e)                                              \
 828                   ((    LIKELY((e) > (s) + 4)                               \
 829                     &&      NATIVE_UTF8_TO_I8(*(s)) >= 0xF9                 \
 830                     && (    NATIVE_UTF8_TO_I8(*(s)) >  0xF9                 \
 831                         || (NATIVE_UTF8_TO_I8(*(s) + 1) >= 0xA2))           \
 832                     &&  LIKELY((s) + UTF8SKIP(s) <= (e)))                   \
 833                     ? _is_utf8_char_helper(s, s + UTF8SKIP(s), 0) : 0)
 834 #else
 835 #   define UTF8_IS_SUPER(s, e)                                              \
 836                    ((    LIKELY((e) > (s) + 3)                              \
 837                      &&  (*(U8*) (s)) >= 0xF4                               \
 838                      && ((*(U8*) (s)) >  0xF4 || (*((U8*) (s) + 1) >= 0x90))\
 839                      &&  LIKELY((s) + UTF8SKIP(s) <= (e)))                  \
 840                     ? _is_utf8_char_helper(s, s + UTF8SKIP(s), 0) : 0)
 841 #endif
 842
 843 /* These are now machine generated, and the 'given' clause is no longer
 844  * applicable */
 845 #define UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_PROBLEMATIC(s, e)          \
 846                                             cBOOL(is_NONCHAR_utf8_safe(s,e))
 847
 848 /*
 849 =for apidoc Am|bool|UTF8_IS_NONCHAR|const U8 *s|const U8 *e
 850
 851 Evaluates to non-zero if the first few bytes of the string starting at C<s> and
 852 looking no further than S<C<e - 1>> are well-formed UTF-8 that represents one
 853 of the Unicode non-character code points; otherwise it evaluates to 0.  If
 854 non-zero, the value gives how many bytes starting at C<s> comprise the code
 855 point's representation.
 856
 857 =cut
 858  */
 859 #define UTF8_IS_NONCHAR(s, e)                                                  \
 860                 UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_PROBLEMATIC(s, e)
 861
 862 #define UNICODE_SURROGATE_FIRST         0xD800
 863 #define UNICODE_SURROGATE_LAST          0xDFFF
 864 #define UNICODE_REPLACEMENT             0xFFFD
 865 #define UNICODE_BYTE_ORDER_MARK         0xFEFF
 866
 867 /* Though our UTF-8 encoding can go beyond this,
 868  * let's be conservative and do as Unicode says. */
 869 #define PERL_UNICODE_MAX        0x10FFFF
 870
 871 #define UNICODE_WARN_SURROGATE        0x0001    /* UTF-16 surrogates */
 872 #define UNICODE_WARN_NONCHAR          0x0002    /* Non-char code points */
 873 #define UNICODE_WARN_SUPER            0x0004    /* Above 0x10FFFF */
 874 #define UNICODE_WARN_ABOVE_31_BIT     0x0008    /* Above 0x7FFF_FFFF */
 875 #define UNICODE_DISALLOW_SURROGATE    0x0010
 876 #define UNICODE_DISALLOW_NONCHAR      0x0020
 877 #define UNICODE_DISALLOW_SUPER        0x0040
 878 #define UNICODE_DISALLOW_ABOVE_31_BIT 0x0080
 879 #define UNICODE_WARN_ILLEGAL_C9_INTERCHANGE                                   \
 880                                   (UNICODE_WARN_SURROGATE|UNICODE_WARN_SUPER)
 881 #define UNICODE_WARN_ILLEGAL_INTERCHANGE                                      \
 882                    (UNICODE_WARN_ILLEGAL_C9_INTERCHANGE|UNICODE_WARN_NONCHAR)
 883 #define UNICODE_DISALLOW_ILLEGAL_C9_INTERCHANGE                               \
 884                           (UNICODE_DISALLOW_SURROGATE|UNICODE_DISALLOW_SUPER)
 885 #define UNICODE_DISALLOW_ILLEGAL_INTERCHANGE                                  \
 886            (UNICODE_DISALLOW_ILLEGAL_C9_INTERCHANGE|UNICODE_DISALLOW_NONCHAR)
 887
 888 /* For backward source compatibility, as are now the default */
 889 #define UNICODE_ALLOW_SURROGATE 0
 890 #define UNICODE_ALLOW_SUPER     0
 891 #define UNICODE_ALLOW_ANY       0
 892
 893 /* This matches the 2048 code points between UNICODE_SURROGATE_FIRST (0xD800) and
 894  * UNICODE_SURROGATE_LAST (0xDFFF) */
 895 #define UNICODE_IS_SURROGATE(uv)        (((UV) (uv) & (~0xFFFF | 0xF800))       \
 896                                                                     == 0xD800)
 897
 898 #define UNICODE_IS_REPLACEMENT(uv)      ((UV) (uv) == UNICODE_REPLACEMENT)
 899 #define UNICODE_IS_BYTE_ORDER_MARK(uv)  ((UV) (uv) == UNICODE_BYTE_ORDER_MARK)
 900
 901 /* Is 'uv' one of the 32 contiguous-range noncharacters? */
 902 #define UNICODE_IS_32_CONTIGUOUS_NONCHARS(uv)      ((UV) (uv) >= 0xFDD0         \
 903                                                  && (UV) (uv) <= 0xFDEF)
 904
 905 /* Is 'uv' one of the 34 plane-ending noncharacters 0xFFFE, 0xFFFF, 0x1FFFE,
 906  * 0x1FFFF, ... 0x10FFFE, 0x10FFFF, given that we know that 'uv' is not above
 907  * the Unicode legal max */
 908 #define UNICODE_IS_END_PLANE_NONCHAR_GIVEN_NOT_SUPER(uv)                        \
 909                                               (((UV) (uv) & 0xFFFE) == 0xFFFE)
 910
 911 #define UNICODE_IS_NONCHAR(uv)                                                  \
 912     (   UNICODE_IS_32_CONTIGUOUS_NONCHARS(uv)                                   \
 913      || (   LIKELY( ! UNICODE_IS_SUPER(uv))                                     \
 914          && UNICODE_IS_END_PLANE_NONCHAR_GIVEN_NOT_SUPER(uv)))
 915
 916 #define UNICODE_IS_SUPER(uv)    ((UV) (uv) > PERL_UNICODE_MAX)
 917 #define UNICODE_IS_ABOVE_31_BIT(uv)    ((UV) (uv) > 0x7FFFFFFF)
 918
 919 #define LATIN_SMALL_LETTER_SHARP_S      LATIN_SMALL_LETTER_SHARP_S_NATIVE
 920 #define LATIN_SMALL_LETTER_Y_WITH_DIAERESIS                                  \
 921                                 LATIN_SMALL_LETTER_Y_WITH_DIAERESIS_NATIVE
 922 #define MICRO_SIGN      MICRO_SIGN_NATIVE
 923 #define LATIN_CAPITAL_LETTER_A_WITH_RING_ABOVE                               \
 924                             LATIN_CAPITAL_LETTER_A_WITH_RING_ABOVE_NATIVE
 925 #define LATIN_SMALL_LETTER_A_WITH_RING_ABOVE                                 \
 926                                 LATIN_SMALL_LETTER_A_WITH_RING_ABOVE_NATIVE
 927 #define UNICODE_GREEK_CAPITAL_LETTER_SIGMA      0x03A3
 928 #define UNICODE_GREEK_SMALL_LETTER_FINAL_SIGMA  0x03C2
 929 #define UNICODE_GREEK_SMALL_LETTER_SIGMA        0x03C3
 930 #define GREEK_SMALL_LETTER_MU                   0x03BC
 931 #define GREEK_CAPITAL_LETTER_MU                 0x039C  /* Upper and title case
 932                                                            of MICRON */
 933 #define LATIN_CAPITAL_LETTER_Y_WITH_DIAERESIS   0x0178  /* Also is title case */
 934 #ifdef LATIN_CAPITAL_LETTER_SHARP_S_UTF8
 935 #   define LATIN_CAPITAL_LETTER_SHARP_S         0x1E9E
 936 #endif
 937 #define LATIN_CAPITAL_LETTER_I_WITH_DOT_ABOVE   0x130
 938 #define LATIN_SMALL_LETTER_DOTLESS_I            0x131
 939 #define LATIN_SMALL_LETTER_LONG_S               0x017F
 940 #define LATIN_SMALL_LIGATURE_LONG_S_T           0xFB05
 941 #define LATIN_SMALL_LIGATURE_ST                 0xFB06
 942 #define KELVIN_SIGN                             0x212A
 943 #define ANGSTROM_SIGN                           0x212B
 944
 945 #define UNI_DISPLAY_ISPRINT     0x0001
 946 #define UNI_DISPLAY_BACKSLASH   0x0002
 947 #define UNI_DISPLAY_QQ          (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
 948 #define UNI_DISPLAY_REGEX       (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
 949
 950 #define ANYOF_FOLD_SHARP_S(node, input, end)    \
 951         (ANYOF_BITMAP_TEST(node, LATIN_SMALL_LETTER_SHARP_S) && \
 952          (ANYOF_NONBITMAP(node)) && \
 953          (ANYOF_FLAGS(node) & ANYOF_LOC_NONBITMAP_FOLD) && \
 954          ((end) > (input) + 1) && \
 955          isALPHA_FOLD_EQ((input)[0], 's'))
 956
 957 #define SHARP_S_SKIP 2
 958
 959 /*
 960
 961 =for apidoc Am|STRLEN|isUTF8_CHAR|const U8 *s|const U8 *e
 962
 963 Evaluates to non-zero if the first few bytes of the string starting at C<s> and
 964 looking no further than S<C<e - 1>> are well-formed UTF-8, as extended by Perl,
 965 that represents some code point; otherwise it evaluates to 0.  If non-zero, the
 966 value gives how many bytes starting at C<s> comprise the code point's
 967 representation.
 968
 969 The code point can be any that will fit in a UV on this machine, using Perl's
 970 extension to official UTF-8 to represent those higher than the Unicode maximum
 971 of 0x10FFFF.  That means that this macro is used to efficiently decide if the
 972 next few bytes in C<s> is legal UTF-8 for a single character.  Use
 973 L</is_utf8_string>(), L</is_utf8_string_loclen>(), and
 974 L</is_utf8_string_loc>() to check entire strings.
 975
 976 Note that it is deprecated to use code points higher than what will fit in an
 977 IV.  This macro does not raise any warnings for such code points, treating them
 978 as valid.
 979
 980 Note also that a UTF-8 INVARIANT character (i.e. ASCII on non-EBCDIC machines)
 981 is a valid UTF-8 character.
 982
 983 =cut
 984 */
 985
 986 #define isUTF8_CHAR(s, e)                                                   \
 987     (UNLIKELY((e) <= (s))                                                   \
 988     ? 0                                                                     \
 989     : (UTF8_IS_INVARIANT(*s))                                               \
 990       ? 1                                                                   \
 991       : UNLIKELY(((e) - (s)) < UTF8SKIP(s))                                 \
 992         ? 0                                                                 \
 993         : LIKELY(NATIVE_UTF8_TO_I8(*s) <= _IS_UTF8_CHAR_HIGHEST_START_BYTE) \
 994           ? is_UTF8_CHAR_utf8_no_length_checks(s)                           \
 995           : _is_utf8_char_helper(s, e, 0))
 996
 997 #define is_utf8_char_buf(buf, buf_end) isUTF8_CHAR(buf, buf_end)
 998
 999 /*
1000
1001 =for apidoc Am|STRLEN|isSTRICT_UTF8_CHAR|const U8 *s|const U8 *e
1002
1003 Evaluates to non-zero if the first few bytes of the string starting at C<s> and
1004 looking no further than S<C<e - 1>> are well-formed UTF-8 that represents some
1005 Unicode code point completely acceptable for open interchange between all
1006 applications; otherwise it evaluates to 0.  If non-zero, the value gives how
1007 many bytes starting at C<s> comprise the code point's representation.
1008
1009 The largest acceptable code point is the Unicode maximum 0x10FFFF, and must not
1010 be a surrogate nor a non-character code point.  Thus this excludes any code
1011 point from Perl's extended UTF-8.
1012
1013 This is used to efficiently decide if the next few bytes in C<s> is
1014 legal Unicode-acceptable UTF-8 for a single character.  Use
1015 C<L</isC9_STRICT_UTF8_CHAR>> to also accept non-character code points.
1016
1017 =cut
1018 */
1019
1020 #define isSTRICT_UTF8_CHAR(s, e)                                            \
1021     (UNLIKELY((e) <= (s))                                                   \
1022     ? 0                                                                     \
1023     : (UTF8_IS_INVARIANT(*s))                                               \
1024       ? 1                                                                   \
1025       : UNLIKELY(((e) - (s)) < UTF8SKIP(s))                                 \
1026         ? 0                                                                 \
1027         : is_STRICT_UTF8_CHAR_utf8_no_length_checks(s))
1028
1029 /*
1030
1031 =for apidoc Am|STRLEN|isC9_STRICT_UTF8_CHAR|const U8 *s|const U8 *e
1032
1033 Evaluates to non-zero if the first few bytes of the string starting at C<s> and
1034 looking no further than S<C<e - 1>> are well-formed UTF-8 that represents some
1035 Unicode non-surrogate code point; otherwise it evaluates to 0.  If non-zero,
1036 the value gives how many bytes starting at C<s> comprise the code point's
1037 representation.
1038
1039 The largest acceptable code point is the Unicode maximum 0x10FFFF.  This
1040 differs from C<L</isSTRICT_UTF8_CHAR>> only in that it accepts non-character
1041 code points.  This corresponds to
1042 L<Unicode Corrigendum #9|http://www.unicode.org/versions/corrigendum9.html>.
1043 which said that non-character code points are merely discouraged rather than
1044 completely forbidden in open interchange.  See
1045 L<perlunicode/Noncharacter code points>.
1046
1047 =cut
1048 */
1049
1050 #define isC9_STRICT_UTF8_CHAR(s, e)                                         \
1051     (UNLIKELY((e) <= (s))                                                   \
1052     ? 0                                                                     \
1053     : (UTF8_IS_INVARIANT(*s))                                               \
1054       ? 1                                                                   \
1055       : UNLIKELY(((e) - (s)) < UTF8SKIP(s))                                 \
1056         ? 0                                                                 \
1057         : is_C9_STRICT_UTF8_CHAR_utf8_no_length_checks(s))
1058
1059 /*
1060
1061 =for apidoc Am|STRLEN|isUTF8_CHAR_flags|const U8 *s|const U8 *e| const U32 flags
1062
1063 Evaluates to non-zero if the first few bytes of the string starting at C<s> and
1064 looking no further than S<C<e - 1>> are well-formed UTF-8, as extended by Perl,
1065 that represents some code point, subject to the restrictions given by C<flags>;
1066 otherwise it evaluates to 0.  If non-zero, the value gives how many bytes
1067 starting at C<s> comprise the code point's representation.
1068
1069 If C<flags> is 0, this gives the same results as C<L</isUTF8_CHAR>>;
1070 if C<flags> is C<UTF8_DISALLOW_ILLEGAL_INTERCHANGE>, this gives the same results
1071 as C<L</isSTRICT_UTF8_CHAR>>;
1072 and if C<flags> is C<UTF8_DISALLOW_ILLEGAL_C9_INTERCHANGE>, this gives
1073 the same results as C<L</isC9_STRICT_UTF8_CHAR>>.
1074 Otherwise C<flags> may be any combination of the C<UTF8_DISALLOW_I<foo>> flags
1075 understood by C<L</utf8n_to_uvchr>>, with the same meanings.
1076
1077 The three alternative macros are for the most commonly needed validations; they
1078 are likely to run somewhat faster than this more general one, as they can be
1079 inlined into your code.
1080
1081 =cut
1082 */
1083
1084 #define isUTF8_CHAR_flags(s, e, flags)                                      \
1085     (UNLIKELY((e) <= (s))                                                   \
1086     ? 0                                                                     \
1087     : (UTF8_IS_INVARIANT(*s))                                               \
1088       ? 1                                                                   \
1089       : UNLIKELY(((e) - (s)) < UTF8SKIP(s))                                 \
1090         ? 0                                                                 \
1091         : _is_utf8_char_helper(s, e, flags))
1092
1093 /* Do not use; should be deprecated.  Use isUTF8_CHAR() instead; this is
1094  * retained solely for backwards compatibility */
1095 #define IS_UTF8_CHAR(p, n)      (isUTF8_CHAR(p, (p) + (n)) == n)
1096
1097 #endif /* H_UTF8 */
1098
1099 /*
1100  * ex: set ts=8 sts=4 sw=4 et:
1101  */