This is a live mirror of the Perl 5 development currently hosted at https://github.com/perl/perl5
utf8.h: Move #define within file
[perl5.git] / utf8.h
1 /*    utf8.h
2  *
3  * This file contains definitions for use with the UTF-8 encoding.  It
4  * actually also works with the variant UTF-8 encoding called UTF-EBCDIC, and
5  * hides almost all of the differences between these from the caller.  In other
6  * words, someone should #include this file, and if the code is being compiled
7  * on an EBCDIC platform, things should mostly just work.
8  *
9  *    Copyright (C) 2000, 2001, 2002, 2005, 2006, 2007, 2009,
10  *    2010, 2011 by Larry Wall and others
11  *
12  *    You may distribute under the terms of either the GNU General Public
13  *    License or the Artistic License, as specified in the README file.
14  *
15  */
16
17 #ifndef H_UTF8      /* Guard against recursive inclusion */
18 #define H_UTF8 1
19
20 /* Use UTF-8 as the default script encoding?
21  * Turning this on will break scripts having non-UTF-8 binary
22  * data (such as Latin-1) in string literals. */
23 #ifdef USE_UTF8_SCRIPTS
24 #    define USE_UTF8_IN_NAMES (!IN_BYTES)
25 #else
26 #    define USE_UTF8_IN_NAMES (PL_hints & HINT_UTF8)
27 #endif
28
29 #include "regcharclass.h"
30 #include "unicode_constants.h"
31
32 /* For to_utf8_fold_flags, q.v. */
33 #define FOLD_FLAGS_LOCALE       0x1
34 #define FOLD_FLAGS_FULL         0x2
35 #define FOLD_FLAGS_NOMIX_ASCII  0x4
36
37 /* For _core_swash_init(), internal core use only */
38 #define _CORE_SWASH_INIT_USER_DEFINED_PROPERTY 0x1
39 #define _CORE_SWASH_INIT_RETURN_IF_UNDEF       0x2
40 #define _CORE_SWASH_INIT_ACCEPT_INVLIST        0x4
41
42 /*
43 =head1 Unicode Support
44 L<perlguts/Unicode Support> has an introduction to this API.
45
46 See also L</Character classification>,
47 and L</Character case changing>.
48 Various functions outside this section also work specially with Unicode.
49 Search for the string "utf8" in this document.
50
51 =for apidoc is_ascii_string
52
53 This is a misleadingly-named synonym for L</is_invariant_string>.
54 On ASCII-ish platforms, the name isn't misleading: the ASCII-range characters
55 are exactly the UTF-8 invariants.  But EBCDIC machines have more invariants
56 than just the ASCII characters, so C<is_invariant_string> is preferred.
57
58 =cut
59 */
60 #define is_ascii_string(s, len)     is_invariant_string(s, len)
61
62 #define uvchr_to_utf8(a,b)          uvchr_to_utf8_flags(a,b,0)
63 #define uvchr_to_utf8_flags(d,uv,flags)                                        \
64                             uvoffuni_to_utf8_flags(d,NATIVE_TO_UNI(uv),flags)
65 #define utf8_to_uvchr_buf(s, e, lenp)                                          \
66                      utf8n_to_uvchr(s, (U8*)(e) - (U8*)(s), lenp,              \
67                                     ckWARN_d(WARN_UTF8) ? 0 : UTF8_ALLOW_ANY)
68
69 #define to_uni_fold(c, p, lenp) _to_uni_fold_flags(c, p, lenp, FOLD_FLAGS_FULL)
70 #define to_utf8_fold(c, p, lenp) _to_utf8_fold_flags(c, p, lenp, FOLD_FLAGS_FULL)
71 #define to_utf8_lower(a,b,c) _to_utf8_lower_flags(a,b,c,0)
72 #define to_utf8_upper(a,b,c) _to_utf8_upper_flags(a,b,c,0)
73 #define to_utf8_title(a,b,c) _to_utf8_title_flags(a,b,c,0)
74
75 /* Source backward compatibility. */
76 #define is_utf8_string_loc(s, len, ep)  is_utf8_string_loclen(s, len, ep, 0)
77
78 #define foldEQ_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2) \
79                     foldEQ_utf8_flags(s1, pe1, l1, u1, s2, pe2, l2, u2, 0)
80 #define FOLDEQ_UTF8_NOMIX_ASCII   (1 << 0)
81 #define FOLDEQ_LOCALE             (1 << 1)
82 #define FOLDEQ_S1_ALREADY_FOLDED  (1 << 2)
83 #define FOLDEQ_S2_ALREADY_FOLDED  (1 << 3)
84 #define FOLDEQ_S1_FOLDS_SANE      (1 << 4)
85 #define FOLDEQ_S2_FOLDS_SANE      (1 << 5)
86
87 #define ibcmp_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2) \
88                     cBOOL(! foldEQ_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2))
89
90 #ifdef EBCDIC
91 /* The equivalent of these macros but implementing UTF-EBCDIC
92    are in the following header file:
93  */
94
95 #include "utfebcdic.h"
96
97 #else   /* ! EBCDIC */
98 START_EXTERN_C
99
100 /* How wide can a single UTF-8 encoded character become in bytes. */
101 /* NOTE: Strictly speaking Perl's UTF-8 should not be called UTF-8 since UTF-8
102  * is an encoding of Unicode, and Unicode's upper limit, 0x10FFFF, can be
103  * expressed with 4 bytes.  However, Perl thinks of UTF-8 as a way to encode
104  * non-negative integers in a binary format, even those above Unicode */
105 #define UTF8_MAXBYTES 13
106
107 #ifdef DOINIT
108 EXTCONST unsigned char PL_utf8skip[] = {
109 /* 0x00 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
110 /* 0x10 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
111 /* 0x20 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
112 /* 0x30 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
113 /* 0x40 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
114 /* 0x50 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
115 /* 0x60 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
116 /* 0x70 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
117 /* 0x80 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
118 /* 0x90 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
119 /* 0xA0 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
120 /* 0xB0 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
121 /* 0xC0 */ 2,2,                             /* overlong */
122 /* 0xC2 */     2,2,2,2,2,2,2,2,2,2,2,2,2,2, /* U+0080 to U+03FF */
123 /* 0xD0 */ 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2, /* U+0400 to U+07FF */
124 /* 0xE0 */ 3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3, /* U+0800 to U+FFFF */
125 /* 0xF0 */ 4,4,4,4,4,4,4,4,5,5,5,5,6,6,     /* above BMP to 2**31 - 1 */
126            /* Perl extended (never was official UTF-8).  Up to 36 bit */
127 /* 0xFE */                             7,
128            /* More extended, Up to 72 bits (64-bit + reserved) */
129 /* 0xFF */                               UTF8_MAXBYTES
130 };
131 #else
132 EXTCONST unsigned char PL_utf8skip[];
133 #endif
134
135 END_EXTERN_C
136
137 /* Native character to/from iso-8859-1.  Are the identity functions on ASCII
138  * platforms */
139 #define NATIVE_TO_LATIN1(ch)     (__ASSERT_(FITS_IN_8_BITS(ch)) ((U8) (ch)))
140 #define LATIN1_TO_NATIVE(ch)     (__ASSERT_(FITS_IN_8_BITS(ch)) ((U8) (ch)))
141
142 /* I8 is an intermediate version of UTF-8 used only in UTF-EBCDIC.  We thus
143  * consider it to be identical to UTF-8 on ASCII platforms.  Strictly speaking
144  * UTF-8 and UTF-EBCDIC are two different things, but we often conflate them
145  * because they are 8-bit encodings that serve the same purpose in Perl, and
146  * rarely do we need to distinguish them.  The term "NATIVE_UTF8" applies to
147  * whichever one is applicable on the current platform */
148 #define NATIVE_UTF8_TO_I8(ch) (__ASSERT_(FITS_IN_8_BITS(ch)) ((U8) (ch)))
149 #define I8_TO_NATIVE_UTF8(ch) (__ASSERT_(FITS_IN_8_BITS(ch)) ((U8) (ch)))
150
151 /* Transforms in wide UV chars */
152 #define UNI_TO_NATIVE(ch)        ((UV) (ch))
153 #define NATIVE_TO_UNI(ch)        ((UV) (ch))
154
155 /*
156
157  The following table is from Unicode 3.2.
158
159  Code Points            1st Byte  2nd Byte  3rd Byte  4th Byte
160
161    U+0000..U+007F       00..7F
162    U+0080..U+07FF     * C2..DF    80..BF
163    U+0800..U+0FFF       E0      * A0..BF    80..BF
164    U+1000..U+CFFF       E1..EC    80..BF    80..BF
165    U+D000..U+D7FF       ED        80..9F    80..BF
166    U+D800..U+DFFF       ED        A0..BF    80..BF  (surrogates)
167    U+E000..U+FFFF       EE..EF    80..BF    80..BF
168   U+10000..U+3FFFF      F0      * 90..BF    80..BF    80..BF
169   U+40000..U+FFFFF      F1..F3    80..BF    80..BF    80..BF
170  U+100000..U+10FFFF     F4        80..8F    80..BF    80..BF
171     Below are non-Unicode code points
172  U+110000..U+13FFFF     F4        90..BF    80..BF    80..BF
173  U+110000..U+1FFFFF     F5..F7    80..BF    80..BF    80..BF
174  U+200000..:            F8..    * 88..BF    80..BF    80..BF    80..BF
175
176 Note the gaps before several of the byte entries above marked by '*'.  These are
177 caused by legal UTF-8 avoiding non-shortest encodings: it is technically
178 possible to UTF-8-encode a single code point in different ways, but that is
179 explicitly forbidden, and the shortest possible encoding should always be used
180 (and that is what Perl does).  The non-shortest ones are called 'overlongs'.
181
182  */
183
184 /*
185  Another way to look at it, as bits:
186
187                   Code Points      1st Byte   2nd Byte   3rd Byte   4th Byte
188
189                         0aaa aaaa  0aaa aaaa
190               0000 0bbb bbaa aaaa  110b bbbb  10aa aaaa
191               cccc bbbb bbaa aaaa  1110 cccc  10bb bbbb  10aa aaaa
192  00 000d ddcc cccc bbbb bbaa aaaa  1111 0ddd  10cc cccc  10bb bbbb  10aa aaaa
193
194 As you can see, the continuation bytes all begin with C<10>, and the
195 leading bits of the start byte tell how many bytes there are in the
196 encoded character.
197
198 Perl's extended UTF-8 means we can have start bytes up to FF.
199
200 */
201
202 /* Is the representation of the Unicode code point 'cp' the same regardless of
203  * being encoded in UTF-8 or not? */
204 #define OFFUNI_IS_INVARIANT(cp)     isASCII(cp)
205
206 /* Is the representation of the code point 'cp' the same regardless of
207  * being encoded in UTF-8 or not?  'cp' is native if < 256; Unicode otherwise
208  * */
209 #define UVCHR_IS_INVARIANT(cp)      OFFUNI_IS_INVARIANT(cp)
210
211 /* This defines the bits that are to be in the continuation bytes of a multi-byte
212  * UTF-8 encoded character that mark it is a continuation byte. */
213 #define UTF_CONTINUATION_MARK           0x80
214
215 /* Misleadingly named: is the UTF8-encoded byte 'c' part of a variant sequence
216  * in UTF-8?  This is the inverse of UTF8_IS_INVARIANT */
217 #define UTF8_IS_CONTINUED(c)        (((U8)c) &  UTF_CONTINUATION_MARK)
218
219 /* Is the byte 'c' the first byte of a multi-byte UTF8-8 encoded sequence?
220  * This doesn't catch invariants (they are single-byte).  It also excludes the
221  * illegal overlong sequences that begin with C0 and C1. */
222 #define UTF8_IS_START(c)            (((U8)c) >= 0xc2)
223
224 /* Is the byte 'c' part of a multi-byte UTF8-8 encoded sequence, and not the
225  * first byte thereof?  */
226 #define UTF8_IS_CONTINUATION(c)     ((((U8)c) & 0xC0) == UTF_CONTINUATION_MARK)
227
228 /* Is the UTF8-encoded byte 'c' the first byte of a two byte sequence?  Use
229  * UTF8_IS_NEXT_CHAR_DOWNGRADEABLE() instead if the input isn't known to
230  * be well-formed.  Masking with 0xfe allows the low bit to be 0 or 1; thus
231  * this matches 0xc[23]. */
232 #define UTF8_IS_DOWNGRADEABLE_START(c)  (((U8)(c) & 0xfe) == 0xc2)
233
234 /* Is the UTF8-encoded byte 'c' the first byte of a sequence of bytes that
235  * represent a code point > 255? */
236 #define UTF8_IS_ABOVE_LATIN1(c)     ((U8)(c) >= 0xc4)
237
238 /* This is the number of low-order bits a continuation byte in a UTF-8 encoded
239  * sequence contributes to the specification of the code point.  In the bit
240  * maps above, you see that the first 2 bits are a constant '10', leaving 6 of
241  * real information */
242 #define UTF_ACCUMULATION_SHIFT          6
243
244 #if UVSIZE >= 8
245 #  define UTF8_QUAD_MAX UINT64_C(0x1000000000)
246
247 /* Input is a true Unicode (not-native) code point */
248 #define OFFUNISKIP(uv) ( (uv) < 0x80        ? 1 : \
249                       (uv) < 0x800          ? 2 : \
250                       (uv) < 0x10000        ? 3 : \
251                       (uv) < 0x200000       ? 4 : \
252                       (uv) < 0x4000000      ? 5 : \
253                       (uv) < 0x80000000     ? 6 : \
254                       (uv) < UTF8_QUAD_MAX ? 7 : UTF8_MAXBYTES )
255 #else
256 /* No, I'm not even going to *TRY* putting #ifdef inside a #define */
257 #define OFFUNISKIP(uv) ( (uv) < 0x80        ? 1 : \
258                       (uv) < 0x800          ? 2 : \
259                       (uv) < 0x10000        ? 3 : \
260                       (uv) < 0x200000       ? 4 : \
261                       (uv) < 0x4000000      ? 5 : \
262                       (uv) < 0x80000000     ? 6 : 7 )
263 #endif
264
265 /*
266
267 =for apidoc Am|STRLEN|UVCHR_SKIP|UV cp
268 returns the number of bytes required to represent the code point C<cp> when
269 encoded as UTF-8.  C<cp> is a native (ASCII or EBCDIC) code point if less than
270 255; a Unicode code point otherwise.
271
272 =cut
273  */
274 #define UVCHR_SKIP(uv) OFFUNISKIP(uv)
275
276 /* ^? is defined to be DEL on ASCII systems.  See the definition of toCTRL()
277  * for more */
278 #define QUESTION_MARK_CTRL  DEL_NATIVE
279
280 /* Surrogates, non-character code points and above-Unicode code points are
281  * problematic in some contexts.  This allows code that needs to check for
282  * those to to quickly exclude the vast majority of code points it will
283  * encounter */
284 #define isUTF8_POSSIBLY_PROBLEMATIC(c) ((U8) c >= 0xED)
285
286 #endif /* EBCDIC vs ASCII */
287
288 /* 2**UTF_ACCUMULATION_SHIFT - 1 */
289 #define UTF_CONTINUATION_MASK  ((U8) ((1U << UTF_ACCUMULATION_SHIFT) - 1))
290
291 /* 32 start bytes with UTF_ACCUMULATION_SHIFT bits of information each */
292 #define MAX_UTF8_TWO_BYTE (32 * (1U << UTF_ACCUMULATION_SHIFT) - 1)
293
294 /* constrained by EBCDIC which has 5 bits per continuation byte */
295 #define MAX_PORTABLE_UTF8_TWO_BYTE (32 * (1U << 5) - 1)
296
297 /* The maximum number of UTF-8 bytes a single Unicode character can
298  * uppercase/lowercase/fold into.  Unicode guarantees that the maximum
299  * expansion is UTF8_MAX_FOLD_CHAR_EXPAND characters, but any above-Unicode
300  * code point will fold to itself, so we only have to look at the expansion of
301  * the maximum Unicode code point.  But this number may be less than the space
302  * occupied by a very large code point under Perl's extended UTF-8.  We have to
303  * make it large enough to fit any single character.  (It turns out that ASCII
304  * and EBCDIC differ in which is larger) */
305 #define UTF8_MAXBYTES_CASE                                                      \
306         (UTF8_MAXBYTES >= (UTF8_MAX_FOLD_CHAR_EXPAND * OFFUNISKIP(0x10FFFF))    \
307                            ? UTF8_MAXBYTES                                      \
308                            : (UTF8_MAX_FOLD_CHAR_EXPAND * OFFUNISKIP(0x10FFFF)))
309
310 /* Rest of these are attributes of Unicode and perl's internals rather than the
311  * encoding, or happen to be the same in both ASCII and EBCDIC (at least at
312  * this level; the macros that some of these call may have different
313  * definitions in the two encodings */
314
315 /* In domain restricted to ASCII, these may make more sense to the reader than
316  * the ones with Latin1 in the name */
317 #define NATIVE_TO_ASCII(ch)      NATIVE_TO_LATIN1(ch)
318 #define ASCII_TO_NATIVE(ch)      LATIN1_TO_NATIVE(ch)
319
320 /* More or less misleadingly-named defines, retained for back compat */
321 #define NATIVE_TO_UTF(ch)        NATIVE_UTF8_TO_I8(ch)
322 #define NATIVE_TO_I8(ch)         NATIVE_UTF8_TO_I8(ch)
323 #define UTF_TO_NATIVE(ch)        I8_TO_NATIVE_UTF8(ch)
324 #define I8_TO_NATIVE(ch)         I8_TO_NATIVE_UTF8(ch)
325 #define NATIVE8_TO_UNI(ch)       NATIVE_TO_LATIN1(ch)
326
327 /* This defines the 1-bits that are to be in the first byte of a multi-byte
328  * UTF-8 encoded character that give the number of bytes that comprise the
329  * character. 'len' is the number of bytes in the multi-byte sequence. */
330 #define UTF_START_MARK(len) (((len) >  7) ? 0xFF : (0xFF & (0xFE << (7-(len)))))
331
332 /* Masks out the initial one bits in a start byte, leaving the real data ones.
333  * Doesn't work on an invariant byte.  'len' is the number of bytes in the
334  * multi-byte sequence that comprises the character. */
335 #define UTF_START_MASK(len) (((len) >= 7) ? 0x00 : (0x1F >> ((len)-2)))
336
337 /* Adds a UTF8 continuation byte 'new' of information to a running total code
338  * point 'old' of all the continuation bytes so far.  This is designed to be
339  * used in a loop to convert from UTF-8 to the code point represented.  Note
340  * that this is asymmetric on EBCDIC platforms, in that the 'new' parameter is
341  * the UTF-EBCDIC byte, whereas the 'old' parameter is a Unicode (not EBCDIC)
342  * code point in process of being generated */
343 #define UTF8_ACCUMULATE(old, new) (((old) << UTF_ACCUMULATION_SHIFT)           \
344                                    | ((NATIVE_UTF8_TO_I8((U8)new))             \
345                                        & UTF_CONTINUATION_MASK))
346
347 /* If a value is anded with this, and the result is non-zero, then using the
348  * original value in UTF8_ACCUMULATE will overflow, shifting bits off the left
349  * */
350 #define UTF_ACCUMULATION_OVERFLOW_MASK                                  \
351     (((UV) UTF_CONTINUATION_MASK) << ((sizeof(UV) * CHARBITS)           \
352            - UTF_ACCUMULATION_SHIFT))
353
354 /* This works in the face of malformed UTF-8. */
355 #define UTF8_IS_NEXT_CHAR_DOWNGRADEABLE(s, e) (UTF8_IS_DOWNGRADEABLE_START(*s) \
356                                                && ( (e) - (s) > 1)             \
357                                                && UTF8_IS_CONTINUATION(*((s)+1)))
358
359 /* Number of bytes a code point occupies in UTF-8. */
360 #define NATIVE_SKIP(uv) UVCHR_SKIP(uv)
361
362 /* Most code which says UNISKIP is really thinking in terms of native code
363  * points (0-255) plus all those beyond.  This is an imprecise term, but having
364  * it means existing code continues to work.  For precision, use UVCHR_SKIP,
365  * NATIVE_SKIP, or OFFUNISKIP */
366 #define UNISKIP(uv)   UVCHR_SKIP(uv)
367
368 /* Longer, but more accurate name */
369 #define UTF8_IS_ABOVE_LATIN1_START(c)     UTF8_IS_ABOVE_LATIN1(c)
370
371 /* Convert a UTF-8 variant Latin1 character to a native code point value.
372  * Needs just one iteration of accumulate.  Should be used only if it is known
373  * that the code point is < 256, and is not UTF-8 invariant.  Use the slower
374  * but more general TWO_BYTE_UTF8_TO_NATIVE() which handles any code point
375  * representable by two bytes (which turns out to be up through
376  * MAX_PORTABLE_UTF8_TWO_BYTE).  The two parameters are:
377  *  HI: a downgradable start byte;
378  *  LO: continuation.
379  * */
380 #define EIGHT_BIT_UTF8_TO_NATIVE(HI, LO)                                        \
381     ( __ASSERT_(UTF8_IS_DOWNGRADEABLE_START(HI))                                \
382       __ASSERT_(UTF8_IS_CONTINUATION(LO))                                       \
383      LATIN1_TO_NATIVE(UTF8_ACCUMULATE((                                         \
384                             NATIVE_UTF8_TO_I8(HI) & UTF_START_MASK(2)), (LO))))
385
386 /* Convert a two (not one) byte utf8 character to a native code point value.
387  * Needs just one iteration of accumulate.  Should not be used unless it is
388  * known that the two bytes are legal: 1) two-byte start, and 2) continuation.
389  * Note that the result can be larger than 255 if the input character is not
390  * downgradable */
391 #define TWO_BYTE_UTF8_TO_NATIVE(HI, LO) \
392     ( __ASSERT_(UTF8SKIP(HI) == 2)                                              \
393       __ASSERT_(UTF8_IS_CONTINUATION(LO))                                       \
394      UNI_TO_NATIVE(UTF8_ACCUMULATE((NATIVE_UTF8_TO_I8(HI) & UTF_START_MASK(2)), \
395                                    (LO))))
396
397 /* Should never be used, and be deprecated */
398 #define TWO_BYTE_UTF8_TO_UNI(HI, LO) NATIVE_TO_UNI(TWO_BYTE_UTF8_TO_NATIVE(HI, LO))
399
400 /*
401
402 =for apidoc Am|STRLEN|UTF8SKIP|char* s
403 returns the number of bytes in the UTF-8 encoded character whose first (perhaps
404 only) byte is pointed to by C<s>.
405
406 =cut
407  */
408 #define UTF8SKIP(s)  PL_utf8skip[*(const U8*)(s)]
409 #define UTF8_SKIP(s) UTF8SKIP(s)
410
411 /* Most code that says 'UNI_' really means the native value for code points up
412  * through 255 */
413 #define UNI_IS_INVARIANT(cp)   UVCHR_IS_INVARIANT(cp)
414
415 /* Is the byte 'c' the same character when encoded in UTF-8 as when not.  This
416  * works on both UTF-8 encoded strings and non-encoded, as it returns TRUE in
417  * each for the exact same set of bit patterns.  It is valid on a subset of
418  * what UVCHR_IS_INVARIANT is valid on, so can just use that; and the compiler
419  * should optimize out anything extraneous given the implementation of the
420  * latter */
421 #define UTF8_IS_INVARIANT(c)    UVCHR_IS_INVARIANT(c)
422
423 /* Like the above, but its name implies a non-UTF8 input, which as the comments
424  * above show, doesn't matter as to its implementation */
425 #define NATIVE_BYTE_IS_INVARIANT(c)     UVCHR_IS_INVARIANT(c)
426
427 /* The macros in the next 4 sets are used to generate the two utf8 or utfebcdic
428  * bytes from an ordinal that is known to fit into exactly two (not one) bytes;
429  * it must be less than 0x3FF to work across both encodings. */
430
431 /* These two are helper macros for the other three sets, and should not be used
432  * directly anywhere else.  'translate_function' is either NATIVE_TO_LATIN1
433  * (which works for code points up through 0xFF) or NATIVE_TO_UNI which works
434  * for any code point */
435 #define __BASE_TWO_BYTE_HI(c, translate_function)                               \
436             I8_TO_NATIVE_UTF8((translate_function(c) >> UTF_ACCUMULATION_SHIFT) \
437                               | UTF_START_MARK(2))
438 #define __BASE_TWO_BYTE_LO(c, translate_function)                               \
439               I8_TO_NATIVE_UTF8((translate_function(c) & UTF_CONTINUATION_MASK) \
440                                  | UTF_CONTINUATION_MARK)
441
442 /* The next two macros should not be used.  They were designed to be usable as
443  * the case label of a switch statement, but this doesn't work for EBCDIC.  Use
444  * regen/unicode_constants.pl instead */
445 #define UTF8_TWO_BYTE_HI_nocast(c)  __BASE_TWO_BYTE_HI(c, NATIVE_TO_UNI)
446 #define UTF8_TWO_BYTE_LO_nocast(c)  __BASE_TWO_BYTE_LO(c, NATIVE_TO_UNI)
447
448 /* The next two macros are used when the source should be a single byte
449  * character; checked for under DEBUGGING */
450 #define UTF8_EIGHT_BIT_HI(c) (__ASSERT_(FITS_IN_8_BITS(c))                    \
451                              ( __BASE_TWO_BYTE_HI(c, NATIVE_TO_LATIN1)))
452 #define UTF8_EIGHT_BIT_LO(c) (__ASSERT_(FITS_IN_8_BITS(c))                    \
453                              (__BASE_TWO_BYTE_LO(c, NATIVE_TO_LATIN1)))
454
455 /* These final two macros in the series are used when the source can be any
456  * code point whose UTF-8 is known to occupy 2 bytes; they are less efficient
457  * than the EIGHT_BIT versions on EBCDIC platforms.  We use the logical '~'
458  * operator instead of "<=" to avoid getting compiler warnings.
459  * MAX_UTF8_TWO_BYTE should be exactly all one bits in the lower few
460  * places, so the ~ works */
461 #define UTF8_TWO_BYTE_HI(c)                                                    \
462        (__ASSERT_((sizeof(c) ==  1)                                            \
463                   || !(((WIDEST_UTYPE)(c)) & ~MAX_UTF8_TWO_BYTE))              \
464         (__BASE_TWO_BYTE_HI(c, NATIVE_TO_UNI)))
465 #define UTF8_TWO_BYTE_LO(c)                                                    \
466        (__ASSERT_((sizeof(c) ==  1)                                            \
467                   || !(((WIDEST_UTYPE)(c)) & ~MAX_UTF8_TWO_BYTE))              \
468         (__BASE_TWO_BYTE_LO(c, NATIVE_TO_UNI)))
469
470 /* This is illegal in any well-formed UTF-8 in both EBCDIC and ASCII
471  * as it is only in overlongs. */
472 #define ILLEGAL_UTF8_BYTE   I8_TO_NATIVE_UTF8(0xC1)
473
474 /*
475  * 'UTF' is whether or not p is encoded in UTF8.  The names 'foo_lazy_if' stem
476  * from an earlier version of these macros in which they didn't call the
477  * foo_utf8() macros (i.e. were 'lazy') unless they decided that *p is the
478  * beginning of a utf8 character.  Now that foo_utf8() determines that itself,
479  * no need to do it again here
480  */
481 #define isIDFIRST_lazy_if(p,UTF) ((IN_BYTES || !UTF ) \
482                                  ? isIDFIRST(*(p)) \
483                                  : isIDFIRST_utf8((const U8*)p))
484 #define isWORDCHAR_lazy_if(p,UTF)   ((IN_BYTES || (!UTF )) \
485                                  ? isWORDCHAR(*(p)) \
486                                  : isWORDCHAR_utf8((const U8*)p))
487 #define isALNUM_lazy_if(p,UTF)   isWORDCHAR_lazy_if(p,UTF)
488
489 #define UTF8_MAXLEN UTF8_MAXBYTES
490
491 /* A Unicode character can fold to up to 3 characters */
492 #define UTF8_MAX_FOLD_CHAR_EXPAND 3
493
494 #define IN_BYTES (CopHINTS_get(PL_curcop) & HINT_BYTES)
495
496 /*
497
498 =for apidoc Am|bool|DO_UTF8|SV* sv
499 Returns a bool giving whether or not the PV in C<sv> is to be treated as being
500 encoded in UTF-8.
501
502 You should use this I<after> a call to C<SvPV()> or one of its variants, in
503 case any call to string overloading updates the internal UTF-8 encoding flag.
504
505 =cut
506 */
507 #define DO_UTF8(sv) (SvUTF8(sv) && !IN_BYTES)
508
509 /* Should all strings be treated as Unicode, and not just UTF-8 encoded ones?
510  * Is so within 'feature unicode_strings' or 'locale :not_characters', and not
511  * within 'use bytes'.  UTF-8 locales are not tested for here, but perhaps
512  * could be */
513 #define IN_UNI_8_BIT                                                             \
514             (((CopHINTS_get(PL_curcop) & (HINT_UNI_8_BIT))                       \
515                || (CopHINTS_get(PL_curcop) & HINT_LOCALE_PARTIAL                 \
516                    /* -1 below is for :not_characters */                         \
517                    && _is_in_locale_category(FALSE, -1)))                        \
518               && ! IN_BYTES)
519
520
521 #define UTF8_ALLOW_EMPTY                0x0001  /* Allow a zero length string */
522
523 /* Allow first byte to be a continuation byte */
524 #define UTF8_ALLOW_CONTINUATION         0x0002
525
526 /* Allow second... bytes to be non-continuation bytes */
527 #define UTF8_ALLOW_NON_CONTINUATION     0x0004
528
529 /* expecting more bytes than were available in the string */
530 #define UTF8_ALLOW_SHORT                0x0008
531
532 /* Overlong sequence; i.e., the code point can be specified in fewer bytes. */
533 #define UTF8_ALLOW_LONG                 0x0010
534
535 #define UTF8_DISALLOW_SURROGATE         0x0020  /* Unicode surrogates */
536 #define UTF8_WARN_SURROGATE             0x0040
537
538 #define UTF8_DISALLOW_NONCHAR           0x0080  /* Unicode non-character */
539 #define UTF8_WARN_NONCHAR               0x0100  /*  code points */
540
541 #define UTF8_DISALLOW_SUPER             0x0200  /* Super-set of Unicode: code */
542 #define UTF8_WARN_SUPER                 0x0400  /* points above the legal max */
543
544 /* Code points which never were part of the original UTF-8 standard, which only
545  * went up to 2 ** 31 - 1.  Note that these all overflow a signed 32-bit word,
546  * The first byte of these code points is FE or FF on ASCII platforms.  If the
547  * first byte is FF, it will overflow a 32-bit word. */
548 #define UTF8_DISALLOW_ABOVE_31_BIT      0x0800
549 #define UTF8_WARN_ABOVE_31_BIT          0x1000
550
551 /* For back compat, these old names are misleading for UTF_EBCDIC */
552 #define UTF8_DISALLOW_FE_FF             UTF8_DISALLOW_ABOVE_31_BIT
553 #define UTF8_WARN_FE_FF                 UTF8_WARN_ABOVE_31_BIT
554
555 #define UTF8_CHECK_ONLY                 0x2000
556
557 /* For backwards source compatibility.  They do nothing, as the default now
558  * includes what they used to mean.  The first one's meaning was to allow the
559  * just the single non-character 0xFFFF */
560 #define UTF8_ALLOW_FFFF 0
561 #define UTF8_ALLOW_SURROGATE 0
562
563 #define UTF8_DISALLOW_ILLEGAL_INTERCHANGE                                       \
564                        ( UTF8_DISALLOW_SUPER|UTF8_DISALLOW_NONCHAR              \
565                         |UTF8_DISALLOW_SURROGATE)
566 #define UTF8_WARN_ILLEGAL_INTERCHANGE \
567                          (UTF8_WARN_SUPER|UTF8_WARN_NONCHAR|UTF8_WARN_SURROGATE)
568 #define UTF8_ALLOW_ANY                                                          \
569             (~( UTF8_DISALLOW_ILLEGAL_INTERCHANGE|UTF8_DISALLOW_ABOVE_31_BIT    \
570                |UTF8_WARN_ILLEGAL_INTERCHANGE|UTF8_WARN_ABOVE_31_BIT))
571 #define UTF8_ALLOW_ANYUV                                                        \
572          (UTF8_ALLOW_EMPTY                                                      \
573           & ~(UTF8_DISALLOW_ILLEGAL_INTERCHANGE|UTF8_WARN_ILLEGAL_INTERCHANGE))
574 #define UTF8_ALLOW_DEFAULT              (ckWARN(WARN_UTF8) ? 0 : \
575                                          UTF8_ALLOW_ANYUV)
576
577 /* Several of the macros below have a second parameter that is currently
578  * unused; but could be used in the future to make sure that the input is
579  * well-formed. */
580
581 #define UTF8_IS_SURROGATE(s, e) cBOOL(is_SURROGATE_utf8(s))
582 #define UTF8_IS_REPLACEMENT(s, send) cBOOL(is_REPLACEMENT_utf8_safe(s,send))
583
584 /*                ASCII              EBCDIC I8
585  * U+10FFFF: \xF4\x8F\xBF\xBF   \xF9\xA1\xBF\xBF\xBF    max legal Unicode
586  * U+110000: \xF4\x90\x80\x80   \xF9\xA2\xA0\xA0\xA0
587  * U+110001: \xF4\x90\x80\x81   \xF9\xA2\xA0\xA0\xA1
588  *
589  * BE AWARE that this test doesn't rule out malformed code points, in
590  * particular overlongs */
591 #ifdef EBCDIC /* Both versions assume well-formed UTF8 */
592 #   define UTF8_IS_SUPER(s, e) (NATIVE_UTF8_TO_I8(* (U8*) (s)) >= 0xF9          \
593                          && (NATIVE_UTF8_TO_I8(* (U8*) (s)) > 0xF9              \
594                              || (NATIVE_UTF8_TO_I8(* ((U8*) (s) + 1)) >= 0xA2)))
595 #else
596 #   define UTF8_IS_SUPER(s, e) (*(U8*) (s) >= 0xF4                              \
597                            && (*(U8*) (s) > 0xF4 || (*((U8*) (s) + 1) >= 0x90)))
598 #endif
599
600 /* These are now machine generated, and the 'given' clause is no longer
601  * applicable */
602 #define UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_PROBLEMATIC(s, e)          \
603                                                     cBOOL(is_NONCHAR_utf8(s))
604 #define UTF8_IS_NONCHAR(s, e)                                                  \
605                 UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_PROBLEMATIC(s, e)
606
607 #define UNICODE_SURROGATE_FIRST         0xD800
608 #define UNICODE_SURROGATE_LAST          0xDFFF
609 #define UNICODE_REPLACEMENT             0xFFFD
610 #define UNICODE_BYTE_ORDER_MARK         0xFEFF
611
612 /* Though our UTF-8 encoding can go beyond this,
613  * let's be conservative and do as Unicode says. */
614 #define PERL_UNICODE_MAX        0x10FFFF
615
616 #define UNICODE_WARN_SURROGATE        0x0001    /* UTF-16 surrogates */
617 #define UNICODE_WARN_NONCHAR          0x0002    /* Non-char code points */
618 #define UNICODE_WARN_SUPER            0x0004    /* Above 0x10FFFF */
619 #define UNICODE_WARN_ABOVE_31_BIT     0x0008    /* Above 0x7FFF_FFFF */
620 #define UNICODE_DISALLOW_SURROGATE    0x0010
621 #define UNICODE_DISALLOW_NONCHAR      0x0020
622 #define UNICODE_DISALLOW_SUPER        0x0040
623 #define UNICODE_DISALLOW_ABOVE_31_BIT 0x0080
624 #define UNICODE_WARN_ILLEGAL_INTERCHANGE                                      \
625             (UNICODE_WARN_SURROGATE|UNICODE_WARN_NONCHAR|UNICODE_WARN_SUPER)
626 #define UNICODE_DISALLOW_ILLEGAL_INTERCHANGE                                  \
627  (UNICODE_DISALLOW_SURROGATE|UNICODE_DISALLOW_NONCHAR|UNICODE_DISALLOW_SUPER)
628
629 /* For backward source compatibility, as are now the default */
630 #define UNICODE_ALLOW_SURROGATE 0
631 #define UNICODE_ALLOW_SUPER     0
632 #define UNICODE_ALLOW_ANY       0
633
634 #define UNICODE_IS_SURROGATE(c)         ((c) >= UNICODE_SURROGATE_FIRST && \
635                                          (c) <= UNICODE_SURROGATE_LAST)
636 #define UNICODE_IS_REPLACEMENT(c)       ((c) == UNICODE_REPLACEMENT)
637 #define UNICODE_IS_BYTE_ORDER_MARK(c)   ((c) == UNICODE_BYTE_ORDER_MARK)
638 #define UNICODE_IS_NONCHAR(c)           ((c >= 0xFDD0 && c <= 0xFDEF) \
639                         /* The other noncharacters end in FFFE or FFFF, which  \
640                          * the mask below catches both of, but beyond the last \
641                          * official unicode code point, they aren't            \
642                          * noncharacters, since those aren't Unicode           \
643                          * characters at all */                                \
644                         || ((((c & 0xFFFE) == 0xFFFE)) && ! UNICODE_IS_SUPER(c)))
645 #define UNICODE_IS_SUPER(c)             ((c) > PERL_UNICODE_MAX)
646 #define UNICODE_IS_ABOVE_31_BIT(uv)    ((UV) (uv) > 0x7FFFFFFF)
647
648 #define LATIN_SMALL_LETTER_SHARP_S      LATIN_SMALL_LETTER_SHARP_S_NATIVE
649 #define LATIN_SMALL_LETTER_Y_WITH_DIAERESIS                                  \
650                                 LATIN_SMALL_LETTER_Y_WITH_DIAERESIS_NATIVE
651 #define MICRO_SIGN      MICRO_SIGN_NATIVE
652 #define LATIN_CAPITAL_LETTER_A_WITH_RING_ABOVE                               \
653                             LATIN_CAPITAL_LETTER_A_WITH_RING_ABOVE_NATIVE
654 #define LATIN_SMALL_LETTER_A_WITH_RING_ABOVE                                 \
655                                 LATIN_SMALL_LETTER_A_WITH_RING_ABOVE_NATIVE
656 #define UNICODE_GREEK_CAPITAL_LETTER_SIGMA      0x03A3
657 #define UNICODE_GREEK_SMALL_LETTER_FINAL_SIGMA  0x03C2
658 #define UNICODE_GREEK_SMALL_LETTER_SIGMA        0x03C3
659 #define GREEK_SMALL_LETTER_MU                   0x03BC
660 #define GREEK_CAPITAL_LETTER_MU                 0x039C  /* Upper and title case
661                                                            of MICRON */
662 #define LATIN_CAPITAL_LETTER_Y_WITH_DIAERESIS   0x0178  /* Also is title case */
663 #ifdef LATIN_CAPITAL_LETTER_SHARP_S_UTF8
664 #   define LATIN_CAPITAL_LETTER_SHARP_S         0x1E9E
665 #endif
666 #define LATIN_CAPITAL_LETTER_I_WITH_DOT_ABOVE   0x130
667 #define LATIN_SMALL_LETTER_DOTLESS_I            0x131
668 #define LATIN_SMALL_LETTER_LONG_S               0x017F
669 #define LATIN_SMALL_LIGATURE_LONG_S_T           0xFB05
670 #define LATIN_SMALL_LIGATURE_ST                 0xFB06
671 #define KELVIN_SIGN                             0x212A
672 #define ANGSTROM_SIGN                           0x212B
673
674 #define UNI_DISPLAY_ISPRINT     0x0001
675 #define UNI_DISPLAY_BACKSLASH   0x0002
676 #define UNI_DISPLAY_QQ          (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
677 #define UNI_DISPLAY_REGEX       (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
678
679 #define ANYOF_FOLD_SHARP_S(node, input, end)    \
680         (ANYOF_BITMAP_TEST(node, LATIN_SMALL_LETTER_SHARP_S) && \
681          (ANYOF_NONBITMAP(node)) && \
682          (ANYOF_FLAGS(node) & ANYOF_LOC_NONBITMAP_FOLD) && \
683          ((end) > (input) + 1) && \
684          isALPHA_FOLD_EQ((input)[0], 's'))
685
686 #define SHARP_S_SKIP 2
687
688 /* If you want to exclude surrogates, and beyond legal Unicode, see the blame
689  * log for earlier versions which gave details for these */
690
691 /* A helper macro for isUTF8_CHAR, so use that one, and not this one.  This is
692  * retained solely for backwards compatibility and may be deprecated and
693  * removed in a future Perl version.
694  *
695  * regen/regcharclass.pl generates is_UTF8_CHAR_utf8() macros for up to these
696  * number of bytes.  So this has to be coordinated with that file */
697 #ifdef EBCDIC
698 #   define IS_UTF8_CHAR_FAST(n) ((n) <= 3)
699 #else
700 #   define IS_UTF8_CHAR_FAST(n) ((n) <= 4)
701 #endif
702
703 #ifndef EBCDIC
704 /* A helper macro for isUTF8_CHAR, so use that one instead of this.  This was
705  * generated by regen/regcharclass.pl, and then moved here.  The lines that
706  * generated it were then commented out.  This was done solely because it takes
707  * on the order of 10 minutes to generate, and is never going to change, unless
708  * the generated code is improved.
709  *
710  * The EBCDIC versions have been cut to not cover all of legal Unicode,
711  * otherwise they take too long to generate; besides there is a separate one
712  * for each code page, so they are in regcharclass.h instead of here */
713 /*
714         UTF8_CHAR: Matches legal UTF-8 encoded characters from 2 through 4 bytes
715
716         0x80 - 0x1FFFFF
717 */
718 /*** GENERATED CODE ***/
719 #define is_UTF8_CHAR_utf8_no_length_checks(s)                               \
720 ( ( 0xC2 <= ((U8*)s)[0] && ((U8*)s)[0] <= 0xDF ) ?                          \
721     ( ( ( ((U8*)s)[1] & 0xC0 ) == 0x80 ) ? 2 : 0 )                          \
722 : ( 0xE0 == ((U8*)s)[0] ) ?                                                 \
723     ( ( ( ( ((U8*)s)[1] & 0xE0 ) == 0xA0 ) && ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ) ? 3 : 0 )\
724 : ( 0xE1 <= ((U8*)s)[0] && ((U8*)s)[0] <= 0xEF ) ?                          \
725     ( ( ( ( ((U8*)s)[1] & 0xC0 ) == 0x80 ) && ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ) ? 3 : 0 )\
726 : ( 0xF0 == ((U8*)s)[0] ) ?                                                 \
727     ( ( ( ( 0x90 <= ((U8*)s)[1] && ((U8*)s)[1] <= 0xBF ) && ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ) && ( ( ((U8*)s)[3] & 0xC0 ) == 0x80 ) ) ? 4 : 0 )\
728 : ( ( ( ( 0xF1 <= ((U8*)s)[0] && ((U8*)s)[0] <= 0xF7 ) && ( ( ((U8*)s)[1] & 0xC0 ) == 0x80 ) ) && ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ) && ( ( ((U8*)s)[3] & 0xC0 ) == 0x80 ) ) ? 4 : 0 )
729 #endif
730
731 /*
732
733 =for apidoc Am|STRLEN|isUTF8_CHAR|const U8 *s|const U8 *e
734
735 Returns the number of bytes beginning at C<s> which form a legal UTF-8 (or
736 UTF-EBCDIC) encoded character, looking no further than S<C<e - s>> bytes into
737 C<s>.  Returns 0 if the sequence starting at C<s> through S<C<e - 1>> is not
738 well-formed UTF-8.
739
740 Note that an INVARIANT character (i.e. ASCII on non-EBCDIC
741 machines) is a valid UTF-8 character.
742
743 =cut
744 */
745
746 #define isUTF8_CHAR(s, e)   (UNLIKELY((e) <= (s))                           \
747                              ? 0                                            \
748                              : (UTF8_IS_INVARIANT(*s))                      \
749                                ? 1                                          \
750                                : UNLIKELY(((e) - (s)) < UTF8SKIP(s))        \
751                                  ? 0                                        \
752                                  : LIKELY(IS_UTF8_CHAR_FAST(UTF8SKIP(s)))   \
753                                    ? is_UTF8_CHAR_utf8_no_length_checks(s)  \
754                                    : _is_utf8_char_slow(s, e))
755
756 #define is_utf8_char_buf(buf, buf_end) isUTF8_CHAR(buf, buf_end)
757
758 /* Do not use; should be deprecated.  Use isUTF8_CHAR() instead; this is
759  * retained solely for backwards compatibility */
760 #define IS_UTF8_CHAR(p, n)      (isUTF8_CHAR(p, (p) + (n)) == n)
761
762 #endif /* H_UTF8 */
763
764 /*
765  * ex: set ts=8 sts=4 sw=4 et:
766  */