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 PERL_UTF8_H_      /* Guard against recursive inclusion */
  18 #define PERL_UTF8_H_ 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 /*
  38 =for apidoc is_ascii_string
  39
  40 This is a misleadingly-named synonym for L</is_utf8_invariant_string>.
  41 On ASCII-ish platforms, the name isn't misleading: the ASCII-range characters
  42 are exactly the UTF-8 invariants.  But EBCDIC machines have more invariants
  43 than just the ASCII characters, so C<is_utf8_invariant_string> is preferred.
  44
  45 =for apidoc is_invariant_string
  46
  47 This is a somewhat misleadingly-named synonym for L</is_utf8_invariant_string>.
  48 C<is_utf8_invariant_string> is preferred, as it indicates under what conditions
  49 the string is invariant.
  50
  51 =cut
  52 */
  53 #define is_ascii_string(s, len)     is_utf8_invariant_string(s, len)
  54 #define is_invariant_string(s, len) is_utf8_invariant_string(s, len)
  55
  56 #define uvoffuni_to_utf8_flags(d,uv,flags)                                     \
  57                                uvoffuni_to_utf8_flags_msgs(d, uv, flags, 0)
  58 #define uvchr_to_utf8(a,b)          uvchr_to_utf8_flags(a,b,0)
  59 #define uvchr_to_utf8_flags(d,uv,flags)                                        \
  60                                     uvchr_to_utf8_flags_msgs(d,uv,flags, 0)
  61 #define uvchr_to_utf8_flags_msgs(d,uv,flags,msgs)                              \
  62                 uvoffuni_to_utf8_flags_msgs(d,NATIVE_TO_UNI(uv),flags, msgs)
  63 #define utf8_to_uvchr_buf(s, e, lenp)                                          \
  64             utf8_to_uvchr_buf_helper((const U8 *) (s), (const U8 *) e, lenp)
  65 #define utf8n_to_uvchr(s, len, lenp, flags)                                    \
  66                                 utf8n_to_uvchr_error(s, len, lenp, flags, 0)
  67 #define utf8n_to_uvchr_error(s, len, lenp, flags, errors)                      \
  68                         utf8n_to_uvchr_msgs(s, len, lenp, flags, errors, 0)
  69
  70 #define to_uni_fold(c, p, lenp) _to_uni_fold_flags(c, p, lenp, FOLD_FLAGS_FULL)
  71
  72 #define foldEQ_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2) \
  73                     foldEQ_utf8_flags(s1, pe1, l1, u1, s2, pe2, l2, u2, 0)
  74 #define FOLDEQ_UTF8_NOMIX_ASCII   (1 << 0)
  75 #define FOLDEQ_LOCALE             (1 << 1)
  76 #define FOLDEQ_S1_ALREADY_FOLDED  (1 << 2)
  77 #define FOLDEQ_S2_ALREADY_FOLDED  (1 << 3)
  78 #define FOLDEQ_S1_FOLDS_SANE      (1 << 4)
  79 #define FOLDEQ_S2_FOLDS_SANE      (1 << 5)
  80
  81 #ifdef EBCDIC
  82 /* The equivalent of these macros but implementing UTF-EBCDIC
  83    are in the following header file:
  84  */
  85
  86 #include "utfebcdic.h"
  87
  88 #else   /* ! EBCDIC */
  89 START_EXTERN_C
  90
  91 /*
  92
  93 =for apidoc AmnU|STRLEN|UTF8_MAXBYTES
  94
  95 The maximum width of a single UTF-8 encoded character, in bytes.
  96
  97 NOTE: Strictly speaking Perl's UTF-8 should not be called UTF-8 since UTF-8
  98 is an encoding of Unicode, and Unicode's upper limit, 0x10FFFF, can be
  99 expressed with 4 bytes.  However, Perl thinks of UTF-8 as a way to encode
 100 non-negative integers in a binary format, even those above Unicode.
 101
 102 =cut
 103  */
 104 #define UTF8_MAXBYTES 13
 105
 106 #ifdef DOINIT
 107 EXTCONST unsigned char PL_utf8skip[] = {
 108 /* 0x00 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 109 /* 0x10 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 110 /* 0x20 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 111 /* 0x30 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 112 /* 0x40 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 113 /* 0x50 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 114 /* 0x60 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 115 /* 0x70 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 116 /* 0x80 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
 117 /* 0x90 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
 118 /* 0xA0 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
 119 /* 0xB0 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
 120 /* 0xC0 */ 2,2,                             /* overlong */
 121 /* 0xC2 */     2,2,2,2,2,2,2,2,2,2,2,2,2,2, /* U+0080 to U+03FF */
 122 /* 0xD0 */ 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2, /* U+0400 to U+07FF */
 123 /* 0xE0 */ 3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3, /* U+0800 to U+FFFF */
 124 /* 0xF0 */ 4,4,4,4,4,4,4,4,5,5,5,5,6,6,     /* above BMP to 2**31 - 1 */
 125            /* Perl extended (never was official UTF-8).  Up to 36 bit */
 126 /* 0xFE */                             7,
 127            /* More extended, Up to 72 bits (64-bit + reserved) */
 128 /* 0xFF */                               UTF8_MAXBYTES
 129 };
 130 #else
 131 EXTCONST unsigned char PL_utf8skip[];
 132 #endif
 133
 134 END_EXTERN_C
 135
 136 /*
 137
 138 =for apidoc Am|U8|NATIVE_TO_LATIN1|U8 ch
 139
 140 Returns the Latin-1 (including ASCII and control characters) equivalent of the
 141 input native code point given by C<ch>.  Thus, C<NATIVE_TO_LATIN1(193)> on
 142 EBCDIC platforms returns 65.  These each represent the character C<"A"> on
 143 their respective platforms.  On ASCII platforms no conversion is needed, so
 144 this macro expands to just its input, adding no time nor space requirements to
 145 the implementation.
 146
 147 For conversion of code points potentially larger than will fit in a character,
 148 use L</NATIVE_TO_UNI>.
 149
 150 =for apidoc Am|U8|LATIN1_TO_NATIVE|U8 ch
 151
 152 Returns the native  equivalent of the input Latin-1 code point (including ASCII
 153 and control characters) given by C<ch>.  Thus, C<LATIN1_TO_NATIVE(66)> on
 154 EBCDIC platforms returns 194.  These each represent the character C<"B"> on
 155 their respective platforms.  On ASCII platforms no conversion is needed, so
 156 this macro expands to just its input, adding no time nor space requirements to
 157 the implementation.
 158
 159 For conversion of code points potentially larger than will fit in a character,
 160 use L</UNI_TO_NATIVE>.
 161
 162 =for apidoc Am|UV|NATIVE_TO_UNI|UV ch
 163
 164 Returns the Unicode  equivalent of the input native code point given by C<ch>.
 165 Thus, C<NATIVE_TO_UNI(195)> on EBCDIC platforms returns 67.  These each
 166 represent the character C<"C"> on their respective platforms.  On ASCII
 167 platforms no conversion is needed, so this macro expands to just its input,
 168 adding no time nor space requirements to the implementation.
 169
 170 =for apidoc Am|UV|UNI_TO_NATIVE|UV ch
 171
 172 Returns the native  equivalent of the input Unicode code point  given by C<ch>.
 173 Thus, C<UNI_TO_NATIVE(68)> on EBCDIC platforms returns 196.  These each
 174 represent the character C<"D"> on their respective platforms.  On ASCII
 175 platforms no conversion is needed, so this macro expands to just its input,
 176 adding no time nor space requirements to the implementation.
 177
 178 =cut
 179 */
 180
 181 #define NATIVE_TO_LATIN1(ch)     (__ASSERT_(FITS_IN_8_BITS(ch)) ((U8) ((ch) | 0)))
 182 #define LATIN1_TO_NATIVE(ch)     (__ASSERT_(FITS_IN_8_BITS(ch)) ((U8) ((ch) | 0)))
 183
 184 /* I8 is an intermediate version of UTF-8 used only in UTF-EBCDIC.  We thus
 185  * consider it to be identical to UTF-8 on ASCII platforms.  Strictly speaking
 186  * UTF-8 and UTF-EBCDIC are two different things, but we often conflate them
 187  * because they are 8-bit encodings that serve the same purpose in Perl, and
 188  * rarely do we need to distinguish them.  The term "NATIVE_UTF8" applies to
 189  * whichever one is applicable on the current platform */
 190 #define NATIVE_UTF8_TO_I8(ch) (__ASSERT_(FITS_IN_8_BITS(ch)) ((U8) ((ch) | 0)))
 191 #define I8_TO_NATIVE_UTF8(ch) (__ASSERT_(FITS_IN_8_BITS(ch)) ((U8) ((ch) | 0)))
 192
 193 #define UNI_TO_NATIVE(ch)        ((UV) ((ch) | 0))
 194 #define NATIVE_TO_UNI(ch)        ((UV) ((ch) | 0))
 195
 196 /*
 197
 198  The following table is from Unicode 3.2, plus the Perl extensions for above
 199  U+10FFFF
 200
 201  Code Points            1st Byte  2nd Byte  3rd    4th     5th     6th       7th   8th-13th
 202
 203    U+0000..U+007F       00..7F
 204    U+0080..U+07FF     * C2..DF    80..BF
 205    U+0800..U+0FFF       E0      * A0..BF  80..BF
 206    U+1000..U+CFFF       E1..EC    80..BF  80..BF
 207    U+D000..U+D7FF       ED        80..9F  80..BF
 208    U+D800..U+DFFF       ED        A0..BF  80..BF  (surrogates)
 209    U+E000..U+FFFF       EE..EF    80..BF  80..BF
 210   U+10000..U+3FFFF      F0      * 90..BF  80..BF  80..BF
 211   U+40000..U+FFFFF      F1..F3    80..BF  80..BF  80..BF
 212  U+100000..U+10FFFF     F4        80..8F  80..BF  80..BF
 213     Below are above-Unicode code points
 214  U+110000..U+13FFFF     F4        90..BF  80..BF  80..BF
 215  U+110000..U+1FFFFF     F5..F7    80..BF  80..BF  80..BF
 216  U+200000..U+FFFFFF     F8      * 88..BF  80..BF  80..BF  80..BF
 217 U+1000000..U+3FFFFFF    F9..FB    80..BF  80..BF  80..BF  80..BF
 218 U+4000000..U+3FFFFFFF    FC     * 84..BF  80..BF  80..BF  80..BF  80..BF
 219 U+40000000..U+7FFFFFFF   FD       80..BF  80..BF  80..BF  80..BF  80..BF
 220 U+80000000..U+FFFFFFFFF  FE     * 82..BF  80..BF  80..BF  80..BF  80..BF    80..BF
 221 U+1000000000..           FF       80..BF  80..BF  80..BF  80..BF  80..BF  * 81..BF  80..BF
 222
 223 Note the gaps before several of the byte entries above marked by '*'.  These are
 224 caused by legal UTF-8 avoiding non-shortest encodings: it is technically
 225 possible to UTF-8-encode a single code point in different ways, but that is
 226 explicitly forbidden, and the shortest possible encoding should always be used
 227 (and that is what Perl does).  The non-shortest ones are called 'overlongs'.
 228
 229  */
 230
 231 /*
 232  Another way to look at it, as bits:
 233
 234                   Code Points      1st Byte   2nd Byte   3rd Byte   4th Byte
 235
 236                         0aaa aaaa  0aaa aaaa
 237               0000 0bbb bbaa aaaa  110b bbbb  10aa aaaa
 238               cccc bbbb bbaa aaaa  1110 cccc  10bb bbbb  10aa aaaa
 239  00 000d ddcc cccc bbbb bbaa aaaa  1111 0ddd  10cc cccc  10bb bbbb  10aa aaaa
 240
 241 As you can see, the continuation bytes all begin with C<10>, and the
 242 leading bits of the start byte tell how many bytes there are in the
 243 encoded character.
 244
 245 Perl's extended UTF-8 means we can have start bytes up through FF, though any
 246 beginning with FF yields a code point that is too large for 32-bit ASCII
 247 platforms.  FF signals to use 13 bytes for the encoded character.  This breaks
 248 the paradigm that the number of leading bits gives how many total bytes there
 249 are in the character. */
 250
 251 /* This is the number of low-order bits a continuation byte in a UTF-8 encoded
 252  * sequence contributes to the specification of the code point.  In the bit
 253  * maps above, you see that the first 2 bits are a constant '10', leaving 6 of
 254  * real information */
 255 #define UTF_ACCUMULATION_SHIFT          6
 256
 257 /* ^? is defined to be DEL on ASCII systems.  See the definition of toCTRL()
 258  * for more */
 259 #define QUESTION_MARK_CTRL  DEL_NATIVE
 260
 261 /* Surrogates, non-character code points and above-Unicode code points are
 262  * problematic in some contexts.  This allows code that needs to check for
 263  * those to quickly exclude the vast majority of code points it will
 264  * encounter */
 265 #define isUTF8_POSSIBLY_PROBLEMATIC(c) (__ASSERT_(FITS_IN_8_BITS(c))        \
 266                                         (U8) c >= 0xED)
 267
 268 #define UNICODE_IS_PERL_EXTENDED(uv)    UNLIKELY((UV) (uv) > 0x7FFFFFFF)
 269
 270 #endif /* EBCDIC vs ASCII */
 271
 272 /* 2**UTF_ACCUMULATION_SHIFT - 1.  This masks out all but the bits that carry
 273  * real information in a continuation byte.  This turns out to be 0x3F in
 274  * UTF-8, 0x1F in UTF-EBCDIC. */
 275 #define UTF_CONTINUATION_MASK  ((U8) (nBIT_MASK(UTF_ACCUMULATION_SHIFT)))
 276
 277 /* For use in UTF8_IS_CONTINUATION().  This turns out to be 0xC0 in UTF-8,
 278  * E0 in UTF-EBCDIC */
 279 #define UTF_IS_CONTINUATION_MASK    ((U8) (0xFF << UTF_ACCUMULATION_SHIFT))
 280
 281 /* This defines the bits that are to be in the continuation bytes of a
 282  * multi-byte UTF-8 encoded character that mark it is a continuation byte.
 283  * This turns out to be 0x80 in UTF-8, 0xA0 in UTF-EBCDIC.  (khw doesn't know
 284  * the underlying reason that B0 works here) */
 285 #define UTF_CONTINUATION_MARK       (UTF_IS_CONTINUATION_MASK & 0xB0)
 286
 287 /* Is the byte 'c' part of a multi-byte UTF8-8 encoded sequence, and not the
 288  * first byte thereof? */
 289 #define UTF8_IS_CONTINUATION(c)     (__ASSERT_(FITS_IN_8_BITS(c))           \
 290             (((NATIVE_UTF8_TO_I8(c) & UTF_IS_CONTINUATION_MASK)             \
 291                                                 == UTF_CONTINUATION_MARK)))
 292
 293 /* Is the representation of the Unicode code point 'cp' the same regardless of
 294  * being encoded in UTF-8 or not? This is a fundamental property of
 295  * UTF-8,EBCDIC */
 296 #define OFFUNI_IS_INVARIANT(c) (((WIDEST_UTYPE)(c)) < UTF_CONTINUATION_MARK)
 297
 298 /*
 299 =for apidoc Am|bool|UVCHR_IS_INVARIANT|UV cp
 300
 301 Evaluates to 1 if the representation of code point C<cp> is the same whether or
 302 not it is encoded in UTF-8; otherwise evaluates to 0.  UTF-8 invariant
 303 characters can be copied as-is when converting to/from UTF-8, saving time.
 304 C<cp> is Unicode if above 255; otherwise is platform-native.
 305
 306 =cut
 307  */
 308 #define UVCHR_IS_INVARIANT(cp)  (OFFUNI_IS_INVARIANT(NATIVE_TO_UNI(cp)))
 309
 310 /* Internal macro to be used only in this file to aid in constructing other
 311  * publicly accessible macros.
 312  * The number of bytes required to express this uv in UTF-8, for just those
 313  * uv's requiring 2 through 6 bytes, as these are common to all platforms and
 314  * word sizes.  The number of bytes needed is given by the number of leading 1
 315  * bits in the start byte.  There are 32 start bytes that have 2 initial 1 bits
 316  * (C0-DF); there are 16 that have 3 initial 1 bits (E0-EF); 8 that have 4
 317  * initial 1 bits (F0-F8); 4 that have 5 initial 1 bits (F9-FB), and 2 that
 318  * have 6 initial 1 bits (FC-FD).  The largest number a string of n bytes can
 319  * represent is       (the number of possible start bytes for 'n')
 320  *                  * (the number of possiblities for each start byte
 321  * The latter in turn is
 322  *                  2  ** (  (how many continuation bytes there are)
 323  *                         * (the number of bits of information each
 324  *                            continuation byte holds))
 325  *
 326  * If we were on a platform where we could use a fast find first set bit
 327  * instruction (or count leading zeros instruction) this could be replaced by
 328  * using that to find the log2 of the uv, and divide that by the number of bits
 329  * of information in each continuation byte, adjusting for large cases and how
 330  * much information is in a start byte for that length */
 331 #define __COMMON_UNI_SKIP(uv)                                               \
 332           (UV) (uv) < (32 * (1U << (    UTF_ACCUMULATION_SHIFT))) ? 2 :     \
 333           (UV) (uv) < (16 * (1U << (2 * UTF_ACCUMULATION_SHIFT))) ? 3 :     \
 334           (UV) (uv) < ( 8 * (1U << (3 * UTF_ACCUMULATION_SHIFT))) ? 4 :     \
 335           (UV) (uv) < ( 4 * (1U << (4 * UTF_ACCUMULATION_SHIFT))) ? 5 :     \
 336           (UV) (uv) < ( 2 * (1U << (5 * UTF_ACCUMULATION_SHIFT))) ? 6 :
 337
 338 /* Internal macro to be used only in this file.
 339  * This adds to __COMMON_UNI_SKIP the details at this platform's upper range.
 340  * For any-sized EBCDIC platforms, or 64-bit ASCII ones, we need one more test
 341  * to see if just 7 bytes is needed, or if the maximum is needed.  For 32-bit
 342  * ASCII platforms, everything is representable by 7 bytes */
 343 #if defined(UV_IS_QUAD) || defined(EBCDIC)
 344 #   define __BASE_UNI_SKIP(uv) (__COMMON_UNI_SKIP(uv)                       \
 345      LIKELY((UV) (uv) < ((UV) 1U << (6 * UTF_ACCUMULATION_SHIFT)))          \
 346      ? 7                                                                    \
 347      : UTF8_MAXBYTES)
 348 #else
 349 #   define __BASE_UNI_SKIP(uv) (__COMMON_UNI_SKIP(uv) 7)
 350 #endif
 351
 352 /* The next two macros use the base macro defined above, and add in the tests
 353  * at the low-end of the range, for just 1 byte, yielding complete macros,
 354  * publicly accessible. */
 355
 356 /* Input is a true Unicode (not-native) code point */
 357 #define OFFUNISKIP(uv) (OFFUNI_IS_INVARIANT(uv) ? 1 : __BASE_UNI_SKIP(uv))
 358
 359 /*
 360
 361 =for apidoc Am|STRLEN|UVCHR_SKIP|UV cp
 362 returns the number of bytes required to represent the code point C<cp> when
 363 encoded as UTF-8.  C<cp> is a native (ASCII or EBCDIC) code point if less than
 364 255; a Unicode code point otherwise.
 365
 366 =cut
 367  */
 368 #define UVCHR_SKIP(uv) ( UVCHR_IS_INVARIANT(uv) ? 1 : __BASE_UNI_SKIP(uv))
 369
 370 #define UTF_MIN_START_BYTE                                                  \
 371      ((UTF_CONTINUATION_MARK >> UTF_ACCUMULATION_SHIFT) | UTF_START_MARK(2))
 372
 373 /* Is the byte 'c' the first byte of a multi-byte UTF8-8 encoded sequence?
 374  * This excludes invariants (they are single-byte).  It also excludes the
 375  * illegal overlong sequences that begin with C0 and C1 on ASCII platforms, and
 376  * C0-C4 I8 start bytes on EBCDIC ones.  On EBCDIC E0 can't start a
 377  * non-overlong sequence, so we define a base macro and for those platforms,
 378  * extend it to also exclude E0 */
 379 #define UTF8_IS_START_base(c)    (__ASSERT_(FITS_IN_8_BITS(c))              \
 380                              (NATIVE_UTF8_TO_I8(c) >= UTF_MIN_START_BYTE))
 381 #ifdef EBCDIC
 382 #  define UTF8_IS_START(c)                                                  \
 383                 (UTF8_IS_START_base(c) && (c) != I8_TO_NATIVE_UTF8(0xE0))
 384 #else
 385 #  define UTF8_IS_START(c)  UTF8_IS_START_base(c)
 386 #endif
 387
 388 #define UTF_MIN_ABOVE_LATIN1_BYTE                                           \
 389                     ((0x100 >> UTF_ACCUMULATION_SHIFT) | UTF_START_MARK(2))
 390
 391 /* Is the UTF8-encoded byte 'c' the first byte of a sequence of bytes that
 392  * represent a code point > 255? */
 393 #define UTF8_IS_ABOVE_LATIN1(c)     (__ASSERT_(FITS_IN_8_BITS(c))           \
 394                         (NATIVE_UTF8_TO_I8(c) >= UTF_MIN_ABOVE_LATIN1_BYTE))
 395
 396 /* Is the UTF8-encoded byte 'c' the first byte of a two byte sequence?  Use
 397  * UTF8_IS_NEXT_CHAR_DOWNGRADEABLE() instead if the input isn't known to
 398  * be well-formed. */
 399 #define UTF8_IS_DOWNGRADEABLE_START(c)  (__ASSERT_(FITS_IN_8_BITS(c))       \
 400                 inRANGE(NATIVE_UTF8_TO_I8(c),                               \
 401                         UTF_MIN_START_BYTE, UTF_MIN_ABOVE_LATIN1_BYTE - 1))
 402
 403 /* The largest code point representable by two UTF-8 bytes on this platform.
 404  * As explained in the comments for __COMMON_UNI_SKIP, 32 start bytes with
 405  * UTF_ACCUMULATION_SHIFT bits of information each */
 406 #define MAX_UTF8_TWO_BYTE (32 * (1U << UTF_ACCUMULATION_SHIFT) - 1)
 407
 408 /* The largest code point representable by two UTF-8 bytes on any platform that
 409  * Perl runs on.  This value is constrained by EBCDIC which has 5 bits per
 410  * continuation byte */
 411 #define MAX_PORTABLE_UTF8_TWO_BYTE (32 * nBIT_UMAX(5))
 412
 413 /*
 414
 415 =for apidoc AmnU|STRLEN|UTF8_MAXBYTES_CASE
 416
 417 The maximum number of UTF-8 bytes a single Unicode character can
 418 uppercase/lowercase/titlecase/fold into.
 419
 420 =cut
 421
 422  * Unicode guarantees that the maximum expansion is UTF8_MAX_FOLD_CHAR_EXPAND
 423  * characters, but any above-Unicode code point will fold to itself, so we only
 424  * have to look at the expansion of the maximum Unicode code point.  But this
 425  * number may be less than the space occupied by a very large code point under
 426  * Perl's extended UTF-8.  We have to make it large enough to fit any single
 427  * character.  (It turns out that ASCII and EBCDIC differ in which is larger)
 428  *
 429 =cut
 430 */
 431 #define UTF8_MAXBYTES_CASE                                                      \
 432             MAX(UTF8_MAXBYTES, UTF8_MAX_FOLD_CHAR_EXPAND * OFFUNISKIP(0x10FFFF))
 433
 434 /* Rest of these are attributes of Unicode and perl's internals rather than the
 435  * encoding, or happen to be the same in both ASCII and EBCDIC (at least at
 436  * this level; the macros that some of these call may have different
 437  * definitions in the two encodings */
 438
 439 /* In domain restricted to ASCII, these may make more sense to the reader than
 440  * the ones with Latin1 in the name */
 441 #define NATIVE_TO_ASCII(ch)      NATIVE_TO_LATIN1(ch)
 442 #define ASCII_TO_NATIVE(ch)      LATIN1_TO_NATIVE(ch)
 443
 444 /* More or less misleadingly-named defines, retained for back compat */
 445 #define NATIVE_TO_UTF(ch)        NATIVE_UTF8_TO_I8(ch)
 446 #define NATIVE_TO_I8(ch)         NATIVE_UTF8_TO_I8(ch)
 447 #define UTF_TO_NATIVE(ch)        I8_TO_NATIVE_UTF8(ch)
 448 #define I8_TO_NATIVE(ch)         I8_TO_NATIVE_UTF8(ch)
 449 #define NATIVE8_TO_UNI(ch)       NATIVE_TO_LATIN1(ch)
 450
 451 /* This defines the 1-bits that are to be in the first byte of a multi-byte
 452  * UTF-8 encoded character that mark it as a start byte and give the number of
 453  * bytes that comprise the character. 'len' is the number of bytes in the
 454  * multi-byte sequence. */
 455 #define UTF_START_MARK(len) (UNLIKELY((len) >  7)           \
 456                             ? 0xFF                          \
 457                             : ((U8) (0xFE << (7-(len)))))
 458
 459 /* Masks out the initial one bits in a start byte, leaving the real data ones.
 460  * Doesn't work on an invariant byte.  'len' is the number of bytes in the
 461  * multi-byte sequence that comprises the character. */
 462 #define UTF_START_MASK(len) (UNLIKELY((len) >= 7) ? 0x00 : (0x1F >> ((len)-2)))
 463
 464 /* Adds a UTF8 continuation byte 'new' of information to a running total code
 465  * point 'old' of all the continuation bytes so far.  This is designed to be
 466  * used in a loop to convert from UTF-8 to the code point represented.  Note
 467  * that this is asymmetric on EBCDIC platforms, in that the 'new' parameter is
 468  * the UTF-EBCDIC byte, whereas the 'old' parameter is a Unicode (not EBCDIC)
 469  * code point in process of being generated */
 470 #define UTF8_ACCUMULATE(old, new) (__ASSERT_(FITS_IN_8_BITS(new))              \
 471                                    ((old) << UTF_ACCUMULATION_SHIFT)           \
 472                                    | ((NATIVE_UTF8_TO_I8(new))                 \
 473                                        & UTF_CONTINUATION_MASK))
 474
 475 /* This works in the face of malformed UTF-8. */
 476 #define UTF8_IS_NEXT_CHAR_DOWNGRADEABLE(s, e)                                 \
 477                                        (   UTF8_IS_DOWNGRADEABLE_START(*(s))  \
 478                                         && ( (e) - (s) > 1)                   \
 479                                         && UTF8_IS_CONTINUATION(*((s)+1)))
 480
 481 /* Number of bytes a code point occupies in UTF-8. */
 482 #define NATIVE_SKIP(uv) UVCHR_SKIP(uv)
 483
 484 /* Most code which says UNISKIP is really thinking in terms of native code
 485  * points (0-255) plus all those beyond.  This is an imprecise term, but having
 486  * it means existing code continues to work.  For precision, use UVCHR_SKIP,
 487  * NATIVE_SKIP, or OFFUNISKIP */
 488 #define UNISKIP(uv)   UVCHR_SKIP(uv)
 489
 490 /* Longer, but more accurate name */
 491 #define UTF8_IS_ABOVE_LATIN1_START(c)     UTF8_IS_ABOVE_LATIN1(c)
 492
 493 /* Convert a UTF-8 variant Latin1 character to a native code point value.
 494  * Needs just one iteration of accumulate.  Should be used only if it is known
 495  * that the code point is < 256, and is not UTF-8 invariant.  Use the slower
 496  * but more general TWO_BYTE_UTF8_TO_NATIVE() which handles any code point
 497  * representable by two bytes (which turns out to be up through
 498  * MAX_PORTABLE_UTF8_TWO_BYTE).  The two parameters are:
 499  *  HI: a downgradable start byte;
 500  *  LO: continuation.
 501  * */
 502 #define EIGHT_BIT_UTF8_TO_NATIVE(HI, LO)                                        \
 503     ( __ASSERT_(UTF8_IS_DOWNGRADEABLE_START(HI))                                \
 504       __ASSERT_(UTF8_IS_CONTINUATION(LO))                                       \
 505      LATIN1_TO_NATIVE(UTF8_ACCUMULATE((                                         \
 506                             NATIVE_UTF8_TO_I8(HI) & UTF_START_MASK(2)), (LO))))
 507
 508 /* Convert a two (not one) byte utf8 character to a native code point value.
 509  * Needs just one iteration of accumulate.  Should not be used unless it is
 510  * known that the two bytes are legal: 1) two-byte start, and 2) continuation.
 511  * Note that the result can be larger than 255 if the input character is not
 512  * downgradable */
 513 #define TWO_BYTE_UTF8_TO_NATIVE(HI, LO) \
 514     (__ASSERT_(FITS_IN_8_BITS(HI))                                              \
 515      __ASSERT_(FITS_IN_8_BITS(LO))                                              \
 516      __ASSERT_(PL_utf8skip[HI] == 2)                                            \
 517      __ASSERT_(UTF8_IS_CONTINUATION(LO))                                        \
 518      UNI_TO_NATIVE(UTF8_ACCUMULATE((NATIVE_UTF8_TO_I8(HI) & UTF_START_MASK(2)), \
 519                                    (LO))))
 520
 521 /* Should never be used, and be deprecated */
 522 #define TWO_BYTE_UTF8_TO_UNI(HI, LO) NATIVE_TO_UNI(TWO_BYTE_UTF8_TO_NATIVE(HI, LO))
 523
 524 /*
 525
 526 =for apidoc Am|STRLEN|UTF8SKIP|char* s
 527 returns the number of bytes a non-malformed UTF-8 encoded character whose first
 528 (perhaps only) byte is pointed to by C<s>.
 529
 530 If there is a possibility of malformed input, use instead:
 531
 532 =over
 533
 534 =item C<L</UTF8_SAFE_SKIP>> if you know the maximum ending pointer in the
 535 buffer pointed to by C<s>; or
 536
 537 =item C<L</UTF8_CHK_SKIP>> if you don't know it.
 538
 539 =back
 540
 541 It is better to restructure your code so the end pointer is passed down so that
 542 you know what it actually is at the point of this call, but if that isn't
 543 possible, C<L</UTF8_CHK_SKIP>> can minimize the chance of accessing beyond the end
 544 of the input buffer.
 545
 546 =cut
 547  */
 548 #define UTF8SKIP(s)  PL_utf8skip[*(const U8*)(s)]
 549
 550 /*
 551 =for apidoc Am|STRLEN|UTF8_SKIP|char* s
 552 This is a synonym for C<L</UTF8SKIP>>
 553
 554 =cut
 555 */
 556
 557 #define UTF8_SKIP(s) UTF8SKIP(s)
 558
 559 /*
 560 =for apidoc Am|STRLEN|UTF8_CHK_SKIP|char* s
 561
 562 This is a safer version of C<L</UTF8SKIP>>, but still not as safe as
 563 C<L</UTF8_SAFE_SKIP>>.  This version doesn't blindly assume that the input
 564 string pointed to by C<s> is well-formed, but verifies that there isn't a NUL
 565 terminating character before the expected end of the next character in C<s>.
 566 The length C<UTF8_CHK_SKIP> returns stops just before any such NUL.
 567
 568 Perl tends to add NULs, as an insurance policy, after the end of strings in
 569 SV's, so it is likely that using this macro will prevent inadvertent reading
 570 beyond the end of the input buffer, even if it is malformed UTF-8.
 571
 572 This macro is intended to be used by XS modules where the inputs could be
 573 malformed, and it isn't feasible to restructure to use the safer
 574 C<L</UTF8_SAFE_SKIP>>, for example when interfacing with a C library.
 575
 576 =cut
 577 */
 578
 579 #define UTF8_CHK_SKIP(s)                                                       \
 580             (UNLIKELY(s[0] == '\0') ? 1 : MIN(UTF8SKIP(s),                     \
 581                                     my_strnlen((char *) (s), UTF8SKIP(s))))
 582 /*
 583
 584 =for apidoc Am|STRLEN|UTF8_SAFE_SKIP|char* s|char* e
 585 returns 0 if S<C<s E<gt>= e>>; otherwise returns the number of bytes in the
 586 UTF-8 encoded character whose first  byte is pointed to by C<s>.  But it never
 587 returns beyond C<e>.  On DEBUGGING builds, it asserts that S<C<s E<lt>= e>>.
 588
 589 =cut
 590  */
 591 #define UTF8_SAFE_SKIP(s, e)  (__ASSERT_((e) >= (s))                \
 592                               UNLIKELY(((e) - (s)) <= 0)            \
 593                                ? 0                                  \
 594                                : MIN(((e) - (s)), UTF8_SKIP(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 /* Misleadingly named: is the UTF8-encoded byte 'c' part of a variant sequence
 628  * in UTF-8?  This is the inverse of UTF8_IS_INVARIANT. */
 629 #define UTF8_IS_CONTINUED(c)  (__ASSERT_(FITS_IN_8_BITS(c))                 \
 630                                (! UTF8_IS_INVARIANT(c)))
 631
 632 /* The macros in the next 4 sets are used to generate the two utf8 or utfebcdic
 633  * bytes from an ordinal that is known to fit into exactly two (not one) bytes;
 634  * it must be less than 0x3FF to work across both encodings. */
 635
 636 /* These two are helper macros for the other three sets, and should not be used
 637  * directly anywhere else.  'translate_function' is either NATIVE_TO_LATIN1
 638  * (which works for code points up through 0xFF) or NATIVE_TO_UNI which works
 639  * for any code point */
 640 #define __BASE_TWO_BYTE_HI(c, translate_function)                               \
 641            (__ASSERT_(! UVCHR_IS_INVARIANT(c))                                  \
 642             I8_TO_NATIVE_UTF8((translate_function(c) >> UTF_ACCUMULATION_SHIFT) \
 643                               | UTF_START_MARK(2)))
 644 #define __BASE_TWO_BYTE_LO(c, translate_function)                               \
 645              (__ASSERT_(! UVCHR_IS_INVARIANT(c))                                \
 646               I8_TO_NATIVE_UTF8((translate_function(c) & UTF_CONTINUATION_MASK) \
 647                                  | UTF_CONTINUATION_MARK))
 648
 649 /* The next two macros should not be used.  They were designed to be usable as
 650  * the case label of a switch statement, but this doesn't work for EBCDIC.  Use
 651  * regen/unicode_constants.pl instead */
 652 #define UTF8_TWO_BYTE_HI_nocast(c)  __BASE_TWO_BYTE_HI(c, NATIVE_TO_UNI)
 653 #define UTF8_TWO_BYTE_LO_nocast(c)  __BASE_TWO_BYTE_LO(c, NATIVE_TO_UNI)
 654
 655 /* The next two macros are used when the source should be a single byte
 656  * character; checked for under DEBUGGING */
 657 #define UTF8_EIGHT_BIT_HI(c) (__ASSERT_(FITS_IN_8_BITS(c))                    \
 658                              ( __BASE_TWO_BYTE_HI(c, NATIVE_TO_LATIN1)))
 659 #define UTF8_EIGHT_BIT_LO(c) (__ASSERT_(FITS_IN_8_BITS(c))                    \
 660                              (__BASE_TWO_BYTE_LO(c, NATIVE_TO_LATIN1)))
 661
 662 /* These final two macros in the series are used when the source can be any
 663  * code point whose UTF-8 is known to occupy 2 bytes; they are less efficient
 664  * than the EIGHT_BIT versions on EBCDIC platforms.  We use the logical '~'
 665  * operator instead of "<=" to avoid getting compiler warnings.
 666  * MAX_UTF8_TWO_BYTE should be exactly all one bits in the lower few
 667  * places, so the ~ works */
 668 #define UTF8_TWO_BYTE_HI(c)                                                    \
 669        (__ASSERT_((sizeof(c) ==  1)                                            \
 670                   || !(((WIDEST_UTYPE)(c)) & ~MAX_UTF8_TWO_BYTE))              \
 671         (__BASE_TWO_BYTE_HI(c, NATIVE_TO_UNI)))
 672 #define UTF8_TWO_BYTE_LO(c)                                                    \
 673        (__ASSERT_((sizeof(c) ==  1)                                            \
 674                   || !(((WIDEST_UTYPE)(c)) & ~MAX_UTF8_TWO_BYTE))              \
 675         (__BASE_TWO_BYTE_LO(c, NATIVE_TO_UNI)))
 676
 677 /* This is illegal in any well-formed UTF-8 in both EBCDIC and ASCII
 678  * as it is only in overlongs. */
 679 #define ILLEGAL_UTF8_BYTE   I8_TO_NATIVE_UTF8(0xC1)
 680
 681 /*
 682  * 'UTF' is whether or not p is encoded in UTF8.  The names 'foo_lazy_if' stem
 683  * from an earlier version of these macros in which they didn't call the
 684  * foo_utf8() macros (i.e. were 'lazy') unless they decided that *p is the
 685  * beginning of a utf8 character.  Now that foo_utf8() determines that itself,
 686  * no need to do it again here
 687  */
 688 #define isIDFIRST_lazy_if_safe(p, e, UTF)                                   \
 689                    ((IN_BYTES || !UTF)                                      \
 690                      ? isIDFIRST(*(p))                                      \
 691                      : isIDFIRST_utf8_safe(p, e))
 692 #define isWORDCHAR_lazy_if_safe(p, e, UTF)                                  \
 693                    ((IN_BYTES || !UTF)                                      \
 694                      ? isWORDCHAR(*(p))                                     \
 695                      : isWORDCHAR_utf8_safe((U8 *) p, (U8 *) e))
 696 #define isALNUM_lazy_if_safe(p, e, UTF) isWORDCHAR_lazy_if_safe(p, e, UTF)
 697
 698 #define UTF8_MAXLEN UTF8_MAXBYTES
 699
 700 /* A Unicode character can fold to up to 3 characters */
 701 #define UTF8_MAX_FOLD_CHAR_EXPAND 3
 702
 703 #define IN_BYTES UNLIKELY(CopHINTS_get(PL_curcop) & HINT_BYTES)
 704
 705 /*
 706
 707 =for apidoc Am|bool|DO_UTF8|SV* sv
 708 Returns a bool giving whether or not the PV in C<sv> is to be treated as being
 709 encoded in UTF-8.
 710
 711 You should use this I<after> a call to C<SvPV()> or one of its variants, in
 712 case any call to string overloading updates the internal UTF-8 encoding flag.
 713
 714 =cut
 715 */
 716 #define DO_UTF8(sv) (SvUTF8(sv) && !IN_BYTES)
 717
 718 /* Should all strings be treated as Unicode, and not just UTF-8 encoded ones?
 719  * Is so within 'feature unicode_strings' or 'locale :not_characters', and not
 720  * within 'use bytes'.  UTF-8 locales are not tested for here, but perhaps
 721  * could be */
 722 #define IN_UNI_8_BIT                                                    \
 723             ((    (      (CopHINTS_get(PL_curcop) & HINT_UNI_8_BIT))    \
 724                    || (   CopHINTS_get(PL_curcop) & HINT_LOCALE_PARTIAL \
 725                             /* -1 below is for :not_characters */       \
 726                        && _is_in_locale_category(FALSE, -1)))           \
 727               && (! IN_BYTES))
 728
 729
 730 #define UTF8_ALLOW_EMPTY                0x0001  /* Allow a zero length string */
 731 #define UTF8_GOT_EMPTY                  UTF8_ALLOW_EMPTY
 732
 733 /* Allow first byte to be a continuation byte */
 734 #define UTF8_ALLOW_CONTINUATION         0x0002
 735 #define UTF8_GOT_CONTINUATION           UTF8_ALLOW_CONTINUATION
 736
 737 /* Unexpected non-continuation byte */
 738 #define UTF8_ALLOW_NON_CONTINUATION     0x0004
 739 #define UTF8_GOT_NON_CONTINUATION       UTF8_ALLOW_NON_CONTINUATION
 740
 741 /* expecting more bytes than were available in the string */
 742 #define UTF8_ALLOW_SHORT                0x0008
 743 #define UTF8_GOT_SHORT                  UTF8_ALLOW_SHORT
 744
 745 /* Overlong sequence; i.e., the code point can be specified in fewer bytes.
 746  * First one will convert the overlong to the REPLACEMENT CHARACTER; second
 747  * will return what the overlong evaluates to */
 748 #define UTF8_ALLOW_LONG                 0x0010
 749 #define UTF8_ALLOW_LONG_AND_ITS_VALUE   (UTF8_ALLOW_LONG|0x0020)
 750 #define UTF8_GOT_LONG                   UTF8_ALLOW_LONG
 751
 752 #define UTF8_ALLOW_OVERFLOW             0x0080
 753 #define UTF8_GOT_OVERFLOW               UTF8_ALLOW_OVERFLOW
 754
 755 #define UTF8_DISALLOW_SURROGATE         0x0100  /* Unicode surrogates */
 756 #define UTF8_GOT_SURROGATE              UTF8_DISALLOW_SURROGATE
 757 #define UTF8_WARN_SURROGATE             0x0200
 758
 759 /* Unicode non-character  code points */
 760 #define UTF8_DISALLOW_NONCHAR           0x0400
 761 #define UTF8_GOT_NONCHAR                UTF8_DISALLOW_NONCHAR
 762 #define UTF8_WARN_NONCHAR               0x0800
 763
 764 /* Super-set of Unicode: code points above the legal max */
 765 #define UTF8_DISALLOW_SUPER             0x1000
 766 #define UTF8_GOT_SUPER                  UTF8_DISALLOW_SUPER
 767 #define UTF8_WARN_SUPER                 0x2000
 768
 769 /* The original UTF-8 standard did not define UTF-8 with start bytes of 0xFE or
 770  * 0xFF, though UTF-EBCDIC did.  This allowed both versions to represent code
 771  * points up to 2 ** 31 - 1.  Perl extends UTF-8 so that 0xFE and 0xFF are
 772  * usable on ASCII platforms, and 0xFF means something different than
 773  * UTF-EBCDIC defines.  These changes allow code points of 64 bits (actually
 774  * somewhat more) to be represented on both platforms.  But these are Perl
 775  * extensions, and not likely to be interchangeable with other languages.  Note
 776  * that on ASCII platforms, FE overflows a signed 32-bit word, and FF an
 777  * unsigned one. */
 778 #define UTF8_DISALLOW_PERL_EXTENDED     0x4000
 779 #define UTF8_GOT_PERL_EXTENDED          UTF8_DISALLOW_PERL_EXTENDED
 780 #define UTF8_WARN_PERL_EXTENDED         0x8000
 781
 782 /* For back compat, these old names are misleading for overlongs and
 783  * UTF_EBCDIC. */
 784 #define UTF8_DISALLOW_ABOVE_31_BIT      UTF8_DISALLOW_PERL_EXTENDED
 785 #define UTF8_GOT_ABOVE_31_BIT           UTF8_GOT_PERL_EXTENDED
 786 #define UTF8_WARN_ABOVE_31_BIT          UTF8_WARN_PERL_EXTENDED
 787 #define UTF8_DISALLOW_FE_FF             UTF8_DISALLOW_PERL_EXTENDED
 788 #define UTF8_WARN_FE_FF                 UTF8_WARN_PERL_EXTENDED
 789
 790 #define UTF8_CHECK_ONLY                 0x10000
 791 #define _UTF8_NO_CONFIDENCE_IN_CURLEN   0x20000  /* Internal core use only */
 792
 793 /* For backwards source compatibility.  They do nothing, as the default now
 794  * includes what they used to mean.  The first one's meaning was to allow the
 795  * just the single non-character 0xFFFF */
 796 #define UTF8_ALLOW_FFFF 0
 797 #define UTF8_ALLOW_FE_FF 0
 798 #define UTF8_ALLOW_SURROGATE 0
 799
 800 /* C9 refers to Unicode Corrigendum #9: allows but discourages non-chars */
 801 #define UTF8_DISALLOW_ILLEGAL_C9_INTERCHANGE                                    \
 802                                  (UTF8_DISALLOW_SUPER|UTF8_DISALLOW_SURROGATE)
 803 #define UTF8_WARN_ILLEGAL_C9_INTERCHANGE (UTF8_WARN_SUPER|UTF8_WARN_SURROGATE)
 804
 805 #define UTF8_DISALLOW_ILLEGAL_INTERCHANGE                                       \
 806                   (UTF8_DISALLOW_ILLEGAL_C9_INTERCHANGE|UTF8_DISALLOW_NONCHAR)
 807 #define UTF8_WARN_ILLEGAL_INTERCHANGE \
 808                           (UTF8_WARN_ILLEGAL_C9_INTERCHANGE|UTF8_WARN_NONCHAR)
 809
 810 /* This is typically used for code that processes UTF-8 input and doesn't want
 811  * to have to deal with any malformations that might be present.  All such will
 812  * be safely replaced by the REPLACEMENT CHARACTER, unless other flags
 813  * overriding this are also present. */
 814 #define UTF8_ALLOW_ANY ( UTF8_ALLOW_CONTINUATION                                \
 815                         |UTF8_ALLOW_NON_CONTINUATION                            \
 816                         |UTF8_ALLOW_SHORT                                       \
 817                         |UTF8_ALLOW_LONG                                        \
 818                         |UTF8_ALLOW_OVERFLOW)
 819
 820 /* Accept any Perl-extended UTF-8 that evaluates to any UV on the platform, but
 821  * not any malformed.  This is the default. */
 822 #define UTF8_ALLOW_ANYUV   0
 823 #define UTF8_ALLOW_DEFAULT UTF8_ALLOW_ANYUV
 824
 825 /*
 826 =for apidoc Am|bool|UTF8_IS_SURROGATE|const U8 *s|const U8 *e
 827
 828 Evaluates to non-zero if the first few bytes of the string starting at C<s> and
 829 looking no further than S<C<e - 1>> are well-formed UTF-8 that represents one
 830 of the Unicode surrogate code points; otherwise it evaluates to 0.  If
 831 non-zero, the value gives how many bytes starting at C<s> comprise the code
 832 point's representation.
 833
 834 =cut
 835  */
 836 #define UTF8_IS_SURROGATE(s, e)      is_SURROGATE_utf8_safe(s, e)
 837
 838
 839 #define UTF8_IS_REPLACEMENT(s, send) is_REPLACEMENT_utf8_safe(s,send)
 840
 841 #define MAX_LEGAL_CP  ((UV)IV_MAX)
 842
 843 /*
 844 =for apidoc Am|bool|UTF8_IS_SUPER|const U8 *s|const U8 *e
 845
 846 Recall that Perl recognizes an extension to UTF-8 that can encode code
 847 points larger than the ones defined by Unicode, which are 0..0x10FFFF.
 848
 849 This macro evaluates to non-zero if the first few bytes of the string starting
 850 at C<s> and looking no further than S<C<e - 1>> are from this UTF-8 extension;
 851 otherwise it evaluates to 0.  If non-zero, the value gives how many bytes
 852 starting at C<s> comprise the code point's representation.
 853
 854 0 is returned if the bytes are not well-formed extended UTF-8, or if they
 855 represent a code point that cannot fit in a UV on the current platform.  Hence
 856 this macro can give different results when run on a 64-bit word machine than on
 857 one with a 32-bit word size.
 858
 859 Note that it is illegal to have code points that are larger than what can
 860 fit in an IV on the current machine.
 861
 862 =cut
 863
 864  *                ASCII              EBCDIC I8
 865  * U+10FFFF: \xF4\x8F\xBF\xBF   \xF9\xA1\xBF\xBF\xBF    max legal Unicode
 866  * U+110000: \xF4\x90\x80\x80   \xF9\xA2\xA0\xA0\xA0
 867  * U+110001: \xF4\x90\x80\x81   \xF9\xA2\xA0\xA0\xA1
 868  */
 869 #ifdef EBCDIC
 870 #   define UTF8_IS_SUPER(s, e)                                              \
 871                  ((    ((e) > (s) + 4)                                      \
 872                    &&          (NATIVE_UTF8_TO_I8(*(s)) >= 0xF9)            \
 873                    &&  UNLIKELY(    NATIVE_UTF8_TO_I8(*(s)) >  0xF9         \
 874                                 || (NATIVE_UTF8_TO_I8(*((s) + 1)) >= 0xA2)) \
 875                    &&  LIKELY((s) + UTF8SKIP(s) <= (e)))                    \
 876                  ?  is_utf8_char_helper(s, s + UTF8SKIP(s), 0) : 0
 877 #else
 878 #   define UTF8_IS_SUPER(s, e)                                              \
 879                    ((    ((e) > (s) + 3)                                    \
 880                      &&  (*(U8*) (s)) >= 0xF4                               \
 881                      && (UNLIKELY(   ((*(U8*) (s)) >  0xF4)                 \
 882                                   || (*((U8*) (s) + 1) >= 0x90)))           \
 883                      &&  LIKELY((s) + UTF8SKIP(s) <= (e)))                  \
 884                     ?  is_utf8_char_helper(s, s + UTF8SKIP(s), 0) : 0)
 885 #endif
 886
 887 /* These are now machine generated, and the 'given' clause is no longer
 888  * applicable */
 889 #define UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_PROBLEMATIC(s, e)          \
 890                                             cBOOL(is_NONCHAR_utf8_safe(s,e))
 891
 892 /*
 893 =for apidoc Am|bool|UTF8_IS_NONCHAR|const U8 *s|const U8 *e
 894
 895 Evaluates to non-zero if the first few bytes of the string starting at C<s> and
 896 looking no further than S<C<e - 1>> are well-formed UTF-8 that represents one
 897 of the Unicode non-character code points; otherwise it evaluates to 0.  If
 898 non-zero, the value gives how many bytes starting at C<s> comprise the code
 899 point's representation.
 900
 901 =for apidoc AmnU|UV|UNICODE_REPLACEMENT
 902
 903 Evaluates to 0xFFFD, the code point of the Unicode REPLACEMENT CHARACTER
 904
 905 =cut
 906  */
 907 #define UTF8_IS_NONCHAR(s, e)                                                  \
 908                 UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_PROBLEMATIC(s, e)
 909
 910 #define UNICODE_SURROGATE_FIRST         0xD800
 911 #define UNICODE_SURROGATE_LAST          0xDFFF
 912 #define UNICODE_REPLACEMENT             0xFFFD
 913 #define UNICODE_BYTE_ORDER_MARK         0xFEFF
 914
 915 /* Though our UTF-8 encoding can go beyond this,
 916  * let's be conservative and do as Unicode says. */
 917 #define PERL_UNICODE_MAX        0x10FFFF
 918
 919 #define UNICODE_WARN_SURROGATE         0x0001   /* UTF-16 surrogates */
 920 #define UNICODE_WARN_NONCHAR           0x0002   /* Non-char code points */
 921 #define UNICODE_WARN_SUPER             0x0004   /* Above 0x10FFFF */
 922 #define UNICODE_WARN_PERL_EXTENDED     0x0008   /* Above 0x7FFF_FFFF */
 923 #define UNICODE_WARN_ABOVE_31_BIT      UNICODE_WARN_PERL_EXTENDED
 924 #define UNICODE_DISALLOW_SURROGATE     0x0010
 925 #define UNICODE_DISALLOW_NONCHAR       0x0020
 926 #define UNICODE_DISALLOW_SUPER         0x0040
 927 #define UNICODE_DISALLOW_PERL_EXTENDED 0x0080
 928
 929 #ifdef PERL_CORE
 930 #  define UNICODE_ALLOW_ABOVE_IV_MAX   0x0100
 931 #endif
 932 #define UNICODE_DISALLOW_ABOVE_31_BIT  UNICODE_DISALLOW_PERL_EXTENDED
 933
 934 #define UNICODE_GOT_SURROGATE       UNICODE_DISALLOW_SURROGATE
 935 #define UNICODE_GOT_NONCHAR         UNICODE_DISALLOW_NONCHAR
 936 #define UNICODE_GOT_SUPER           UNICODE_DISALLOW_SUPER
 937 #define UNICODE_GOT_PERL_EXTENDED   UNICODE_DISALLOW_PERL_EXTENDED
 938
 939 #define UNICODE_WARN_ILLEGAL_C9_INTERCHANGE                                   \
 940                                   (UNICODE_WARN_SURROGATE|UNICODE_WARN_SUPER)
 941 #define UNICODE_WARN_ILLEGAL_INTERCHANGE                                      \
 942                    (UNICODE_WARN_ILLEGAL_C9_INTERCHANGE|UNICODE_WARN_NONCHAR)
 943 #define UNICODE_DISALLOW_ILLEGAL_C9_INTERCHANGE                               \
 944                           (UNICODE_DISALLOW_SURROGATE|UNICODE_DISALLOW_SUPER)
 945 #define UNICODE_DISALLOW_ILLEGAL_INTERCHANGE                                  \
 946            (UNICODE_DISALLOW_ILLEGAL_C9_INTERCHANGE|UNICODE_DISALLOW_NONCHAR)
 947
 948 /* For backward source compatibility, as are now the default */
 949 #define UNICODE_ALLOW_SURROGATE 0
 950 #define UNICODE_ALLOW_SUPER     0
 951 #define UNICODE_ALLOW_ANY       0
 952
 953 /* This matches the 2048 code points between UNICODE_SURROGATE_FIRST (0xD800) and
 954  * UNICODE_SURROGATE_LAST (0xDFFF) */
 955 #define UNICODE_IS_SURROGATE(uv)  UNLIKELY(((UV) (uv) & (~0xFFFF | 0xF800))     \
 956                                                                     == 0xD800)
 957
 958 #define UNICODE_IS_REPLACEMENT(uv)  UNLIKELY((UV) (uv) == UNICODE_REPLACEMENT)
 959 #define UNICODE_IS_BYTE_ORDER_MARK(uv)  UNLIKELY((UV) (uv)                      \
 960                                                     == UNICODE_BYTE_ORDER_MARK)
 961
 962 /* Is 'uv' one of the 32 contiguous-range noncharacters? */
 963 #define UNICODE_IS_32_CONTIGUOUS_NONCHARS(uv)   UNLIKELY((UV) (uv) >= 0xFDD0    \
 964                                                       && (UV) (uv) <= 0xFDEF)
 965
 966 /* Is 'uv' one of the 34 plane-ending noncharacters 0xFFFE, 0xFFFF, 0x1FFFE,
 967  * 0x1FFFF, ... 0x10FFFE, 0x10FFFF, given that we know that 'uv' is not above
 968  * the Unicode legal max */
 969 #define UNICODE_IS_END_PLANE_NONCHAR_GIVEN_NOT_SUPER(uv)                        \
 970                                       UNLIKELY(((UV) (uv) & 0xFFFE) == 0xFFFE)
 971
 972 #define UNICODE_IS_NONCHAR(uv)                                                  \
 973     (   UNICODE_IS_32_CONTIGUOUS_NONCHARS(uv)                                   \
 974      || (   LIKELY( ! UNICODE_IS_SUPER(uv))                                     \
 975          && UNICODE_IS_END_PLANE_NONCHAR_GIVEN_NOT_SUPER(uv)))
 976
 977 #define UNICODE_IS_SUPER(uv)    UNLIKELY((UV) (uv) > PERL_UNICODE_MAX)
 978
 979 #define LATIN_SMALL_LETTER_SHARP_S      LATIN_SMALL_LETTER_SHARP_S_NATIVE
 980 #define LATIN_SMALL_LETTER_Y_WITH_DIAERESIS                                  \
 981                                 LATIN_SMALL_LETTER_Y_WITH_DIAERESIS_NATIVE
 982 #define MICRO_SIGN      MICRO_SIGN_NATIVE
 983 #define LATIN_CAPITAL_LETTER_A_WITH_RING_ABOVE                               \
 984                             LATIN_CAPITAL_LETTER_A_WITH_RING_ABOVE_NATIVE
 985 #define LATIN_SMALL_LETTER_A_WITH_RING_ABOVE                                 \
 986                                 LATIN_SMALL_LETTER_A_WITH_RING_ABOVE_NATIVE
 987 #define UNICODE_GREEK_CAPITAL_LETTER_SIGMA      0x03A3
 988 #define UNICODE_GREEK_SMALL_LETTER_FINAL_SIGMA  0x03C2
 989 #define UNICODE_GREEK_SMALL_LETTER_SIGMA        0x03C3
 990 #define GREEK_SMALL_LETTER_MU                   0x03BC
 991 #define GREEK_CAPITAL_LETTER_MU                 0x039C  /* Upper and title case
 992                                                            of MICRON */
 993 #define LATIN_CAPITAL_LETTER_Y_WITH_DIAERESIS   0x0178  /* Also is title case */
 994 #ifdef LATIN_CAPITAL_LETTER_SHARP_S_UTF8
 995 #   define LATIN_CAPITAL_LETTER_SHARP_S         0x1E9E
 996 #endif
 997 #define LATIN_CAPITAL_LETTER_I_WITH_DOT_ABOVE   0x130
 998 #define LATIN_SMALL_LETTER_DOTLESS_I            0x131
 999 #define LATIN_SMALL_LETTER_LONG_S               0x017F
1000 #define LATIN_SMALL_LIGATURE_LONG_S_T           0xFB05
1001 #define LATIN_SMALL_LIGATURE_ST                 0xFB06
1002 #define KELVIN_SIGN                             0x212A
1003 #define ANGSTROM_SIGN                           0x212B
1004
1005 #define UNI_DISPLAY_ISPRINT     0x0001
1006 #define UNI_DISPLAY_BACKSLASH   0x0002
1007 #define UNI_DISPLAY_BACKSPACE   0x0004  /* Allow \b when also
1008                                            UNI_DISPLAY_BACKSLASH */
1009 #define UNI_DISPLAY_QQ          (UNI_DISPLAY_ISPRINT                \
1010                                 |UNI_DISPLAY_BACKSLASH              \
1011                                 |UNI_DISPLAY_BACKSPACE)
1012
1013 /* Character classes could also allow \b, but not patterns in general */
1014 #define UNI_DISPLAY_REGEX       (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
1015
1016 /* Should be removed; maybe deprecated, but not used in CPAN */
1017 #define SHARP_S_SKIP 2
1018
1019 #define is_utf8_char_buf(buf, buf_end) isUTF8_CHAR(buf, buf_end)
1020 #define bytes_from_utf8(s, lenp, is_utf8p)                                  \
1021                             bytes_from_utf8_loc(s, lenp, is_utf8p, 0)
1022
1023 /*
1024
1025 =for apidoc Am|STRLEN|isUTF8_CHAR_flags|const U8 *s|const U8 *e| const U32 flags
1026
1027 Evaluates to non-zero if the first few bytes of the string starting at C<s> and
1028 looking no further than S<C<e - 1>> are well-formed UTF-8, as extended by Perl,
1029 that represents some code point, subject to the restrictions given by C<flags>;
1030 otherwise it evaluates to 0.  If non-zero, the value gives how many bytes
1031 starting at C<s> comprise the code point's representation.  Any bytes remaining
1032 before C<e>, but beyond the ones needed to form the first code point in C<s>,
1033 are not examined.
1034
1035 If C<flags> is 0, this gives the same results as C<L</isUTF8_CHAR>>;
1036 if C<flags> is C<UTF8_DISALLOW_ILLEGAL_INTERCHANGE>, this gives the same results
1037 as C<L</isSTRICT_UTF8_CHAR>>;
1038 and if C<flags> is C<UTF8_DISALLOW_ILLEGAL_C9_INTERCHANGE>, this gives
1039 the same results as C<L</isC9_STRICT_UTF8_CHAR>>.
1040 Otherwise C<flags> may be any combination of the C<UTF8_DISALLOW_I<foo>> flags
1041 understood by C<L</utf8n_to_uvchr>>, with the same meanings.
1042
1043 The three alternative macros are for the most commonly needed validations; they
1044 are likely to run somewhat faster than this more general one, as they can be
1045 inlined into your code.
1046
1047 Use L</is_utf8_string_flags>, L</is_utf8_string_loc_flags>, and
1048 L</is_utf8_string_loclen_flags> to check entire strings.
1049
1050 =cut
1051 */
1052
1053 #define isUTF8_CHAR_flags(s, e, flags)                                      \
1054     (UNLIKELY((e) <= (s))                                                   \
1055     ? 0                                                                     \
1056     : (UTF8_IS_INVARIANT(*s))                                               \
1057       ? 1                                                                   \
1058       : UNLIKELY(((e) - (s)) < UTF8SKIP(s))                                 \
1059         ? 0                                                                 \
1060         : is_utf8_char_helper(s, e, flags))
1061
1062 /* Do not use; should be deprecated.  Use isUTF8_CHAR() instead; this is
1063  * retained solely for backwards compatibility */
1064 #define IS_UTF8_CHAR(p, n)      (isUTF8_CHAR(p, (p) + (n)) == n)
1065
1066 #endif /* PERL_UTF8_H_ */
1067
1068 /*
1069  * ex: set ts=8 sts=4 sw=4 et:
1070  */