This is a live mirror of the Perl 5 development currently hosted at https://github.com/perl/perl5
fix s/(.)/die/e
[perl5.git] / utf8.h
1 /*    utf8.h
2  *
3  *    Copyright (C) 2000, 2001, 2002, 2005, 2006, 2007, 2009,
4  *    2010, 2011 by Larry Wall and others
5  *
6  *    You may distribute under the terms of either the GNU General Public
7  *    License or the Artistic License, as specified in the README file.
8  *
9  */
10
11 /* Use UTF-8 as the default script encoding?
12  * Turning this on will break scripts having non-UTF-8 binary
13  * data (such as Latin-1) in string literals. */
14 #ifdef USE_UTF8_SCRIPTS
15 #    define USE_UTF8_IN_NAMES (!IN_BYTES)
16 #else
17 #    define USE_UTF8_IN_NAMES (PL_hints & HINT_UTF8)
18 #endif
19
20 /* For to_utf8_fold_flags, q.v. */
21 #define FOLD_FLAGS_LOCALE 0x1
22 #define FOLD_FLAGS_FULL   0x2
23 #define FOLD_FLAGS_NOMIX_ASCII 0x4
24
25 /* For _core_swash_init(), internal core use only */
26 #define _CORE_SWASH_INIT_USER_DEFINED_PROPERTY 0x1
27 #define _CORE_SWASH_INIT_RETURN_IF_UNDEF       0x2
28 #define _CORE_SWASH_INIT_ACCEPT_INVLIST        0x4
29
30 #define to_uni_fold(c, p, lenp) _to_uni_fold_flags(c, p, lenp, FOLD_FLAGS_FULL)
31 #define to_utf8_fold(c, p, lenp) _to_utf8_fold_flags(c, p, lenp, \
32                      FOLD_FLAGS_FULL, NULL)
33 #define to_utf8_lower(a,b,c) _to_utf8_lower_flags(a,b,c,0, NULL)
34 #define to_utf8_upper(a,b,c) _to_utf8_upper_flags(a,b,c,0, NULL)
35 #define to_utf8_title(a,b,c) _to_utf8_title_flags(a,b,c,0, NULL)
36
37 /* Source backward compatibility. */
38 #define uvuni_to_utf8(d, uv)            uvuni_to_utf8_flags(d, uv, 0)
39 #define is_utf8_string_loc(s, len, ep)  is_utf8_string_loclen(s, len, ep, 0)
40
41 #define foldEQ_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2) \
42                     foldEQ_utf8_flags(s1, pe1, l1, u1, s2, pe2, l2, u2, 0)
43 #define FOLDEQ_UTF8_NOMIX_ASCII (1 << 0)
44 #define FOLDEQ_UTF8_LOCALE      (1 << 1)
45 #define FOLDEQ_S1_ALREADY_FOLDED  (1 << 2)
46 #define FOLDEQ_S2_ALREADY_FOLDED  (1 << 3)
47
48 /*
49 =for apidoc ibcmp_utf8
50
51 This is a synonym for (! foldEQ_utf8())
52
53 =cut
54 */
55 #define ibcmp_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2) \
56                     cBOOL(! foldEQ_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2))
57
58 #ifdef EBCDIC
59 /* The equivalent of these macros but implementing UTF-EBCDIC
60    are in the following header file:
61  */
62
63 #include "utfebcdic.h"
64
65 #else   /* ! EBCDIC */
66 START_EXTERN_C
67
68 #ifdef DOINIT
69 EXTCONST unsigned char PL_utf8skip[] = {
70 /* 0x00 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
71 /* 0x10 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
72 /* 0x20 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
73 /* 0x30 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
74 /* 0x40 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
75 /* 0x50 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
76 /* 0x60 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
77 /* 0x70 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
78 /* 0x80 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
79 /* 0x90 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
80 /* 0xA0 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
81 /* 0xB0 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
82 /* 0xC0 */ 2,2,                             /* overlong */
83 /* 0xC2 */ 2,2,2,2,2,2,2,2,2,2,2,2,2,2,     /* U+0080 to U+03FF */
84 /* 0xD0 */ 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2, /* U+0400 to U+07FF */
85 /* 0xE0 */ 3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3, /* U+0800 to U+FFFF */
86 /* 0xF0 */ 4,4,4,4,4,4,4,4,5,5,5,5,6,6,     /* above BMP to 2**31 - 1 */
87 /* 0xFE */ 7,13, /* Perl extended (never was official UTF-8).  Up to 72bit
88                     allowed (64-bit + reserved). */
89 };
90 #else
91 EXTCONST unsigned char PL_utf8skip[];
92 #endif
93
94 END_EXTERN_C
95
96 /* Native character to iso-8859-1 */
97 #define NATIVE_TO_ASCII(ch)      (ch)
98 #define ASCII_TO_NATIVE(ch)      (ch)
99 /* Transform after encoding */
100 #define NATIVE_TO_UTF(ch)        (ch)
101 #define UTF_TO_NATIVE(ch)        (ch)
102 /* Transforms in wide UV chars */
103 #define UNI_TO_NATIVE(ch)        (ch)
104 #define NATIVE_TO_UNI(ch)        (ch)
105 /* Transforms in invariant space */
106 #define NATIVE_TO_NEED(enc,ch)   (ch)
107 #define ASCII_TO_NEED(enc,ch)    (ch)
108
109 /* As there are no translations, avoid the function wrapper */
110 #define utf8n_to_uvchr utf8n_to_uvuni
111 #define valid_utf8_to_uvchr valid_utf8_to_uvuni
112 #define uvchr_to_utf8  uvuni_to_utf8
113
114 /*
115
116  The following table is from Unicode 3.2.
117
118  Code Points            1st Byte  2nd Byte  3rd Byte  4th Byte
119
120    U+0000..U+007F       00..7F
121    U+0080..U+07FF     * C2..DF    80..BF
122    U+0800..U+0FFF       E0      * A0..BF    80..BF
123    U+1000..U+CFFF       E1..EC    80..BF    80..BF
124    U+D000..U+D7FF       ED        80..9F    80..BF
125    U+D800..U+DFFF       +++++++ utf16 surrogates, not legal utf8 +++++++
126    U+E000..U+FFFF       EE..EF    80..BF    80..BF
127   U+10000..U+3FFFF      F0      * 90..BF    80..BF    80..BF
128   U+40000..U+FFFFF      F1..F3    80..BF    80..BF    80..BF
129  U+100000..U+10FFFF     F4        80..8F    80..BF    80..BF
130     Below are non-Unicode code points
131  U+110000..U+13FFFF     F4        90..BF    80..BF    80..BF
132  U+110000..U+1FFFFF     F5..F7    80..BF    80..BF    80..BF
133  U+200000:              F8..    * 88..BF    80..BF    80..BF    80..BF
134
135 Note the gaps before several of the byte entries above marked by '*'.  These are
136 caused by legal UTF-8 avoiding non-shortest encodings: it is technically
137 possible to UTF-8-encode a single code point in different ways, but that is
138 explicitly forbidden, and the shortest possible encoding should always be used
139 (and that is what Perl does).
140
141  */
142
143 /*
144  Another way to look at it, as bits:
145
146                   Code Points      1st Byte   2nd Byte   3rd Byte   4th Byte
147
148                         0aaa aaaa  0aaa aaaa
149               0000 0bbb bbaa aaaa  110b bbbb  10aa aaaa
150               cccc bbbb bbaa aaaa  1110 cccc  10bb bbbb  10aa aaaa
151  00 000d ddcc cccc bbbb bbaa aaaa  1111 0ddd  10cc cccc  10bb bbbb  10aa aaaa
152
153 As you can see, the continuation bytes all begin with C<10>, and the
154 leading bits of the start byte tell how many bytes there are in the
155 encoded character.
156
157 Perl's extended UTF-8 means we can have start bytes up to FF.
158
159 */
160
161 #define UNI_IS_INVARIANT(c)             (((UV)c) <  0x80)
162 #define UTF8_IS_START(c)                (((U8)c) >= 0xc2)
163 #define UTF8_IS_CONTINUATION(c)         (((U8)c) >= 0x80 && (((U8)c) <= 0xbf))
164 #define UTF8_IS_CONTINUED(c)            (((U8)c) &  0x80)
165
166 /* Masking with 0xfe allows low bit to be 0 or 1; thus this matches 0xc[23] */
167 #define UTF8_IS_DOWNGRADEABLE_START(c)  (((U8)c & 0xfe) == 0xc2)
168
169 #define UTF_START_MARK(len) (((len) >  7) ? 0xFF : (0xFE << (7-(len))))
170
171 /* Masks out the initial one bits in a start byte, leaving the real data ones.
172  * Doesn't work on an invariant byte */
173 #define UTF_START_MASK(len) (((len) >= 7) ? 0x00 : (0x1F >> ((len)-2)))
174
175 #define UTF_CONTINUATION_MARK           0x80
176 #define UTF_ACCUMULATION_SHIFT          6
177
178 /* 2**UTF_ACCUMULATION_SHIFT - 1 */
179 #define UTF_CONTINUATION_MASK           ((U8)0x3f)
180
181 /* This sets the UTF_CONTINUATION_MASK in the upper bits of a word.  If a value
182  * is anded with it, and the result is non-zero, then using the original value
183  * in UTF8_ACCUMULATE will overflow, shifting bits off the left */
184 #define UTF_ACCUMULATION_OVERFLOW_MASK                                  \
185     (((UV) UTF_CONTINUATION_MASK) << ((sizeof(UV) * CHARBITS) - UTF_ACCUMULATION_SHIFT))
186
187 #ifdef HAS_QUAD
188 #define UNISKIP(uv) ( (uv) < 0x80           ? 1 : \
189                       (uv) < 0x800          ? 2 : \
190                       (uv) < 0x10000        ? 3 : \
191                       (uv) < 0x200000       ? 4 : \
192                       (uv) < 0x4000000      ? 5 : \
193                       (uv) < 0x80000000     ? 6 : \
194                       (uv) < UTF8_QUAD_MAX ? 7 : 13 )
195 #else
196 /* No, I'm not even going to *TRY* putting #ifdef inside a #define */
197 #define UNISKIP(uv) ( (uv) < 0x80           ? 1 : \
198                       (uv) < 0x800          ? 2 : \
199                       (uv) < 0x10000        ? 3 : \
200                       (uv) < 0x200000       ? 4 : \
201                       (uv) < 0x4000000      ? 5 : \
202                       (uv) < 0x80000000     ? 6 : 7 )
203 #endif
204
205 #endif /* EBCDIC vs ASCII */
206
207 /* Rest of these are attributes of Unicode and perl's internals rather than the
208  * encoding, or happen to be the same in both ASCII and EBCDIC (at least at
209  * this level; the macros that some of these call may have different
210  * definitions in the two encodings */
211
212 #define NATIVE8_TO_UNI(ch)     NATIVE_TO_ASCII(ch)      /* a clearer synonym */
213
214 #define UTF8_ACCUMULATE(old, new)       (((old) << UTF_ACCUMULATION_SHIFT) | (((U8)new) & UTF_CONTINUATION_MASK))
215
216 /* Convert a two (not one) byte utf8 character to a unicode code point value.
217  * Needs just one iteration of accumulate.  Should not be used unless it is
218  * known that the two bytes are legal: 1) two-byte start, and 2) continuation.
219  * Note that the result can be larger than 255 if the input character is not
220  * downgradable */
221 #define TWO_BYTE_UTF8_TO_UNI(HI, LO) \
222                     UTF8_ACCUMULATE((NATIVE_TO_UTF(HI) & UTF_START_MASK(2)), \
223                                      NATIVE_TO_UTF(LO))
224
225 #define UTF8SKIP(s) PL_utf8skip[*(const U8*)(s)]
226
227 #define UTF8_IS_INVARIANT(c)            UNI_IS_INVARIANT(NATIVE_TO_UTF(c))
228 #define NATIVE_IS_INVARIANT(c)          UNI_IS_INVARIANT(NATIVE8_TO_UNI(c))
229
230 #define MAX_PORTABLE_UTF8_TWO_BYTE 0x3FF    /* constrained by EBCDIC */
231
232 /* The macros in the next sets are used to generate the two utf8 or utfebcdic
233  * bytes from an ordinal that is known to fit into two bytes; it must be less
234  * than 0x3FF to work across both encodings. */
235 /* Nocast allows these to be used in the case label of a switch statement */
236 #define UTF8_TWO_BYTE_HI_nocast(c)      UTF_TO_NATIVE(((c) >> UTF_ACCUMULATION_SHIFT) | (0xFF & UTF_START_MARK(2)))
237 #define UTF8_TWO_BYTE_LO_nocast(c)      UTF_TO_NATIVE(((c) & UTF_CONTINUATION_MASK) | UTF_CONTINUATION_MARK)
238
239 #define UTF8_TWO_BYTE_HI(c)     ((U8) (UTF8_TWO_BYTE_HI_nocast(c)))
240 #define UTF8_TWO_BYTE_LO(c)     ((U8) (UTF8_TWO_BYTE_LO_nocast(c)))
241
242 /* This name is used when the source is a single byte */
243 #define UTF8_EIGHT_BIT_HI(c)    UTF8_TWO_BYTE_HI((U8)(c))
244 #define UTF8_EIGHT_BIT_LO(c)    UTF8_TWO_BYTE_LO((U8)(c))
245
246 /*
247  * 'UTF' is whether or not p is encoded in UTF8.  The names 'foo_lazy_if' stem
248  * from an earlier version of these macros in which they didn't call the
249  * foo_utf8() macros (i.e. were 'lazy') unless they decided that *p is the
250  * beginning of a utf8 character.  Now that foo_utf8() determines that itself,
251  * no need to do it again here
252  */
253 #define isIDFIRST_lazy_if(p,UTF) ((IN_BYTES || !UTF ) \
254                                  ? isIDFIRST(*(p)) \
255                                  : isIDFIRST_utf8((const U8*)p))
256 #define isALNUM_lazy_if(p,UTF)   ((IN_BYTES || (!UTF )) \
257                                  ? isALNUM(*(p)) \
258                                  : isALNUM_utf8((const U8*)p))
259
260 #define isIDFIRST_lazy(p)       isIDFIRST_lazy_if(p,1)
261 #define isALNUM_lazy(p)         isALNUM_lazy_if(p,1)
262
263 #define UTF8_MAXBYTES 13
264 /* How wide can a single UTF-8 encoded character become in bytes.
265  * NOTE: Strictly speaking Perl's UTF-8 should not be called UTF-8
266  * since UTF-8 is an encoding of Unicode and given Unicode's current
267  * upper limit only four bytes is possible.  Perl thinks of UTF-8
268  * as a way to encode non-negative integers in a binary format. */
269 #define UTF8_MAXLEN UTF8_MAXBYTES
270
271 /* The maximum number of UTF-8 bytes a single Unicode character can
272  * uppercase/lowercase/fold into; this number depends on the Unicode
273  * version.  An example of maximal expansion is the U+03B0 which
274  * uppercases to U+03C5 U+0308 U+0301.  The Unicode databases that
275  * tell these things are UnicodeData.txt, CaseFolding.txt, and
276  * SpecialCasing.txt.  The value is 6 for strict Unicode characters, but it has
277  * to be as big as Perl allows for a single character */
278 #define UTF8_MAXBYTES_CASE      UTF8_MAXBYTES
279
280 /* A Unicode character can fold to up to 3 characters */
281 #define UTF8_MAX_FOLD_CHAR_EXPAND 3
282
283 #define IN_BYTES (CopHINTS_get(PL_curcop) & HINT_BYTES)
284 #define DO_UTF8(sv) (SvUTF8(sv) && !IN_BYTES)
285 #define IN_UNI_8_BIT \
286             (CopHINTS_get(PL_curcop) & (HINT_UNI_8_BIT|HINT_LOCALE_NOT_CHARS) \
287              && ! IN_LOCALE_RUNTIME && ! IN_BYTES)
288
289
290 #define UTF8_ALLOW_EMPTY                0x0001  /* Allow a zero length string */
291
292 /* Allow first byte to be a continuation byte */
293 #define UTF8_ALLOW_CONTINUATION         0x0002
294
295 /* Allow second... bytes to be non-continuation bytes */
296 #define UTF8_ALLOW_NON_CONTINUATION     0x0004
297
298 /* expecting more bytes than were available in the string */
299 #define UTF8_ALLOW_SHORT                0x0008
300
301 /* Overlong sequence; i.e., the code point can be specified in fewer bytes. */
302 #define UTF8_ALLOW_LONG                 0x0010
303
304 #define UTF8_DISALLOW_SURROGATE         0x0020  /* Unicode surrogates */
305 #define UTF8_WARN_SURROGATE             0x0040
306
307 #define UTF8_DISALLOW_NONCHAR           0x0080  /* Unicode non-character */
308 #define UTF8_WARN_NONCHAR               0x0100  /*  code points */
309
310 #define UTF8_DISALLOW_SUPER             0x0200  /* Super-set of Unicode: code */
311 #define UTF8_WARN_SUPER                 0x0400  /* points above the legal max */
312
313 /* Code points which never were part of the original UTF-8 standard, the first
314  * byte of which is a FE or FF on ASCII platforms. */
315 #define UTF8_DISALLOW_FE_FF             0x0800
316 #define UTF8_WARN_FE_FF                 0x1000
317
318 #define UTF8_CHECK_ONLY                 0x2000
319
320 /* For backwards source compatibility.  They do nothing, as the default now
321  * includes what they used to mean.  The first one's meaning was to allow the
322  * just the single non-character 0xFFFF */
323 #define UTF8_ALLOW_FFFF 0
324 #define UTF8_ALLOW_SURROGATE 0
325
326 #define UTF8_DISALLOW_ILLEGAL_INTERCHANGE (UTF8_DISALLOW_SUPER|UTF8_DISALLOW_NONCHAR|UTF8_DISALLOW_SURROGATE|UTF8_DISALLOW_FE_FF)
327 #define UTF8_WARN_ILLEGAL_INTERCHANGE \
328         (UTF8_WARN_SUPER|UTF8_WARN_NONCHAR|UTF8_WARN_SURROGATE|UTF8_WARN_FE_FF)
329 #define UTF8_ALLOW_ANY \
330             (~(UTF8_DISALLOW_ILLEGAL_INTERCHANGE|UTF8_WARN_ILLEGAL_INTERCHANGE))
331 #define UTF8_ALLOW_ANYUV                                                        \
332          (UTF8_ALLOW_EMPTY                                                      \
333           & ~(UTF8_DISALLOW_ILLEGAL_INTERCHANGE|UTF8_WARN_ILLEGAL_INTERCHANGE))
334 #define UTF8_ALLOW_DEFAULT              (ckWARN(WARN_UTF8) ? 0 : \
335                                          UTF8_ALLOW_ANYUV)
336
337 /* Surrogates, non-character code points and above-Unicode code points are
338  * problematic in some contexts.  This allows code that needs to check for
339  * those to to quickly exclude the vast majority of code points it will
340  * encounter */
341 #ifdef EBCDIC
342 #   define UTF8_FIRST_PROBLEMATIC_CODE_POINT_FIRST_BYTE UTF_TO_NATIVE(0xF1)
343 #else
344 #   define UTF8_FIRST_PROBLEMATIC_CODE_POINT_FIRST_BYTE 0xED
345 #endif
346
347 /*              ASCII              EBCDIC I8
348  * U+D7FF:   \xED\x9F\xBF       \xF1\xB5\xBF\xBF    last before surrogates
349  * U+D800:   \xED\xA0\x80       \xF1\xB6\xA0\xA0    1st surrogate
350  * U+DFFF:   \xED\xBF\xBF       \xF1\xB7\xBF\xBF    final surrogate
351  * U+E000:   \xEE\x80\x80       \xF1\xB8\xA0\xA0    next after surrogates
352  */
353 #ifdef EBCDIC /* Both versions assume well-formed UTF8 */
354 #   define UTF8_IS_SURROGATE(s)  (*(s) == UTF_TO_NATIVE(0xF1)                 \
355                                  && ((*((s) +1) == UTF_TO_NATIVE(0xB6))       \
356                                      || *((s) + 1) == UTF_TO_NATIVE(0xB7)))
357     /* <send> points to one beyond the end of the string that starts at <s> */
358 #   define UTF8_IS_REPLACEMENT(s, send) (*(s) == UTF_TO_NATIVE(0xEF)          \
359                                          && (send - s) >= 4                   \
360                                          && *((s) + 1) == UTF_TO_NATIVE(0xBF) \
361                                          && *((s) + 2) == UTF_TO_NATIVE(0xBF) \
362                                          && *((s) + 3) == UTF_TO_NATIVE(0xBD)
363 #else
364 #   define UTF8_IS_SURROGATE(s) (*(s) == 0xED && *((s) + 1) >= 0xA0)
365 #   define UTF8_IS_REPLACEMENT(s, send) (*(s) == 0xEF          \
366                                          && (send - s) >= 3    \
367                                          && *((s) + 1) == 0xBF \
368                                          && *((s) + 2) == 0xBD)
369 #endif
370
371 /*                ASCII              EBCDIC I8
372  * U+10FFFF: \xF4\x8F\xBF\xBF   \xF9\xA1\xBF\xBF\xBF    max legal Unicode
373  * U+110000: \xF4\x90\x80\x80   \xF9\xA2\xA0\xA0\xA0
374  * U+110001: \xF4\x90\x80\x81   \xF9\xA2\xA0\xA0\xA1
375  */
376 #ifdef EBCDIC /* Both versions assume well-formed UTF8 */
377 #   define UTF8_IS_SUPER(s)  (*(s) >= UTF_TO_NATIVE(0xF9)                       \
378       && (*(s) > UTF_TO_NATIVE(0xF9) || (*((s) + 1) >= UTF_TO_NATIVE(0xA2))))
379 #else
380 #   define UTF8_IS_SUPER(s)  (*(s) >= 0xF4                                      \
381                                         && (*(s) > 0xF4 || (*((s) + 1) >= 0x90)))
382 #endif
383
384 /*         ASCII                     EBCDIC I8
385  * U+FDCF: \xEF\xB7\x8F         \xF1\xBF\xAE\xAF        last before non-char block
386  * U+FDD0: \xEF\xB7\x90         \xF1\xBF\xAE\xB0        first non-char in block
387  * U+FDEF: \xEF\xB7\xAF         \xF1\xBF\xAF\xAF        last non-char in block
388  * U+FDF0: \xEF\xB7\xB0         \xF1\xBF\xAF\xB0        first after non-char block
389  * U+FFFF: \xEF\xBF\xBF         \xF1\xBF\xBF\xBF
390  * U+1FFFF: \xF0\x9F\xBF\xBF    \xF3\xBF\xBF\xBF
391  * U+2FFFF: \xF0\xAF\xBF\xBF    \xF5\xBF\xBF\xBF
392  * U+3FFFF: \xF0\xBF\xBF\xBF    \xF7\xBF\xBF\xBF
393  * U+4FFFF: \xF1\x8F\xBF\xBF    \xF8\xA9\xBF\xBF\xBF
394  * U+5FFFF: \xF1\x9F\xBF\xBF    \xF8\xAB\xBF\xBF\xBF
395  * U+6FFFF: \xF1\xAF\xBF\xBF    \xF8\xAD\xBF\xBF\xBF
396  * U+7FFFF: \xF1\xBF\xBF\xBF    \xF8\xAF\xBF\xBF\xBF
397  * U+8FFFF: \xF2\x8F\xBF\xBF    \xF8\xB1\xBF\xBF\xBF
398  * U+9FFFF: \xF2\x9F\xBF\xBF    \xF8\xB3\xBF\xBF\xBF
399  * U+AFFFF: \xF2\xAF\xBF\xBF    \xF8\xB5\xBF\xBF\xBF
400  * U+BFFFF: \xF2\xBF\xBF\xBF    \xF8\xB7\xBF\xBF\xBF
401  * U+CFFFF: \xF3\x8F\xBF\xBF    \xF8\xB9\xBF\xBF\xBF
402  * U+DFFFF: \xF3\x9F\xBF\xBF    \xF8\xBB\xBF\xBF\xBF
403  * U+EFFFF: \xF3\xAF\xBF\xBF    \xF8\xBD\xBF\xBF\xBF
404  * U+FFFFF: \xF3\xBF\xBF\xBF    \xF8\xBF\xBF\xBF\xBF
405  * U+10FFFF: \xF4\x8F\xBF\xBF   \xF9\xA1\xBF\xBF\xBF
406  */
407 #define UTF8_IS_NONCHAR_(s) (                                                   \
408     *(s) >= UTF8_FIRST_PROBLEMATIC_CODE_POINT_FIRST_BYTE                        \
409     && ! UTF8_IS_SUPER(s)                                                       \
410     && UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_FIRST_PROBLEMATIC(s)         \
411
412 #ifdef EBCDIC /* Both versions assume well-formed UTF8 */
413 #   define UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_PROBLEMATIC(s)           \
414     ((*(s) == UTF_TO_NATIVE(0xF1)                                               \
415        && (*((s) + 1) == UTF_TO_NATIVE(0xBF)                                    \
416        &&    ((*((s) + 2) == UTF_TO_NATIVE(0xAE)                                \
417             && *((s) + 3) >= UTF_TO_NATIVE(0xB0))                               \
418           || (*((s) + 2) == UTF_TO_NATIVE(0xAF)                                 \
419             && *((s) + 3) <= UTF_TO_NATIVE(0xAF)))))                            \
420     || (UTF8SKIP(*(s)) > 3                                                      \
421         /* (These were all derived by inspection and experimentation with an */ \
422         /* editor)  The next line checks the next to final byte in the char */  \
423         && *((s) + UTF8SKIP(*(s)) - 2) == UTF_TO_NATIVE(0xBF)                   \
424         && *((s) + UTF8SKIP(*(s)) - 3) == UTF_TO_NATIVE(0xBF)                   \
425         && (NATIVE_TO_UTF(*((s) + UTF8SKIP(*(s)) - 4)) & 0x81) == 0x81          \
426         && (NATIVE_TO_UTF(*((s) + UTF8SKIP(*(s)) - 1)) & 0xBE) == 0XBE))
427 #else
428 #   define UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_PROBLEMATIC(s)           \
429     ((*(s) == 0xEF                                                              \
430         && ((*((s) + 1) == 0xB7 && (*((s) + 2) >= 0x90 && (*((s) + 2) <= 0xAF)))\
431                 /* Gets U+FFF[EF] */                                            \
432             || (*((s) + 1) == 0xBF && ((*((s) + 2) & 0xBE) == 0xBE))))          \
433  || ((*((s) + 2) == 0xBF                                                        \
434          && (*((s) + 3) & 0xBE) == 0xBE                                         \
435             /* Excludes things like U+10FFE = \xF0\x90\xBF\xBE */               \
436          && (*((s) + 1) & 0x8F) == 0x8F)))
437 #endif
438
439 #define UNICODE_SURROGATE_FIRST         0xD800
440 #define UNICODE_SURROGATE_LAST          0xDFFF
441 #define UNICODE_REPLACEMENT             0xFFFD
442 #define UNICODE_BYTE_ORDER_MARK         0xFEFF
443
444 /* Though our UTF-8 encoding can go beyond this,
445  * let's be conservative and do as Unicode says. */
446 #define PERL_UNICODE_MAX        0x10FFFF
447
448 #define UNICODE_WARN_SURROGATE     0x0001       /* UTF-16 surrogates */
449 #define UNICODE_WARN_NONCHAR       0x0002       /* Non-char code points */
450 #define UNICODE_WARN_SUPER         0x0004       /* Above 0x10FFFF */
451 #define UNICODE_WARN_FE_FF         0x0008       /* Above 0x10FFFF */
452 #define UNICODE_DISALLOW_SURROGATE 0x0010
453 #define UNICODE_DISALLOW_NONCHAR   0x0020
454 #define UNICODE_DISALLOW_SUPER     0x0040
455 #define UNICODE_DISALLOW_FE_FF     0x0080
456 #define UNICODE_WARN_ILLEGAL_INTERCHANGE \
457     (UNICODE_WARN_SURROGATE|UNICODE_WARN_NONCHAR|UNICODE_WARN_SUPER)
458 #define UNICODE_DISALLOW_ILLEGAL_INTERCHANGE \
459     (UNICODE_DISALLOW_SURROGATE|UNICODE_DISALLOW_NONCHAR|UNICODE_DISALLOW_SUPER)
460
461 /* For backward source compatibility, as are now the default */
462 #define UNICODE_ALLOW_SURROGATE 0
463 #define UNICODE_ALLOW_SUPER     0
464 #define UNICODE_ALLOW_ANY       0
465
466 #define UNICODE_IS_SURROGATE(c)         ((c) >= UNICODE_SURROGATE_FIRST && \
467                                          (c) <= UNICODE_SURROGATE_LAST)
468 #define UNICODE_IS_REPLACEMENT(c)       ((c) == UNICODE_REPLACEMENT)
469 #define UNICODE_IS_BYTE_ORDER_MARK(c)   ((c) == UNICODE_BYTE_ORDER_MARK)
470 #define UNICODE_IS_NONCHAR(c)           ((c >= 0xFDD0 && c <= 0xFDEF) \
471                         /* The other noncharacters end in FFFE or FFFF, which  \
472                          * the mask below catches both of, but beyond the last \
473                          * official unicode code point, they aren't            \
474                          * noncharacters, since those aren't Unicode           \
475                          * characters at all */                                \
476                         || ((((c & 0xFFFE) == 0xFFFE)) && ! UNICODE_IS_SUPER(c)))
477 #define UNICODE_IS_SUPER(c)             ((c) > PERL_UNICODE_MAX)
478 #define UNICODE_IS_FE_FF(c)             ((c) > 0x7FFFFFFF)
479
480 #ifdef HAS_QUAD
481 #    define UTF8_QUAD_MAX       UINT64_C(0x1000000000)
482 #endif
483
484 #define UNICODE_GREEK_CAPITAL_LETTER_SIGMA      0x03A3
485 #define UNICODE_GREEK_SMALL_LETTER_FINAL_SIGMA  0x03C2
486 #define UNICODE_GREEK_SMALL_LETTER_SIGMA        0x03C3
487 #define GREEK_SMALL_LETTER_MU                   0x03BC
488 #define GREEK_CAPITAL_LETTER_MU 0x039C  /* Upper and title case of MICRON */
489 #define LATIN_CAPITAL_LETTER_Y_WITH_DIAERESIS 0x0178    /* Also is title case */
490 #define LATIN_CAPITAL_LETTER_SHARP_S    0x1E9E
491 #define LATIN_SMALL_LETTER_LONG_S   0x017F
492 #define KELVIN_SIGN                 0x212A
493 #define ANGSTROM_SIGN               0x212B
494
495 #define UNI_DISPLAY_ISPRINT     0x0001
496 #define UNI_DISPLAY_BACKSLASH   0x0002
497 #define UNI_DISPLAY_QQ          (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
498 #define UNI_DISPLAY_REGEX       (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
499
500 #ifndef EBCDIC
501 #   define LATIN_SMALL_LETTER_SHARP_S   0x00DF
502 #   define LATIN_SMALL_LETTER_Y_WITH_DIAERESIS 0x00FF
503 #   define MICRO_SIGN 0x00B5
504 #   define LATIN_CAPITAL_LETTER_A_WITH_RING_ABOVE 0x00C5
505 #   define LATIN_SMALL_LETTER_A_WITH_RING_ABOVE 0x00E5
506 #endif
507
508 #define ANYOF_FOLD_SHARP_S(node, input, end)    \
509         (ANYOF_BITMAP_TEST(node, LATIN_SMALL_LETTER_SHARP_S) && \
510          (ANYOF_NONBITMAP(node)) && \
511          (ANYOF_FLAGS(node) & ANYOF_LOC_NONBITMAP_FOLD) && \
512          ((end) > (input) + 1) && \
513          toLOWER((input)[0]) == 's' && \
514          toLOWER((input)[1]) == 's')
515 #define SHARP_S_SKIP 2
516
517 #ifndef EBCDIC
518 /* If you want to exclude surrogates, and beyond legal Unicode, see the blame
519  * log for earlier versions which gave details for these */
520 #   define IS_UTF8_CHAR_1(p)    \
521         ((p)[0] <= 0x7F)
522 #   define IS_UTF8_CHAR_2(p)    \
523         ((p)[0] >= 0xC2 && (p)[0] <= 0xDF && \
524          (p)[1] >= 0x80 && (p)[1] <= 0xBF)
525 #   define IS_UTF8_CHAR_3a(p)   \
526         ((p)[0] == 0xE0 && \
527          (p)[1] >= 0xA0 && (p)[1] <= 0xBF && \
528          (p)[2] >= 0x80 && (p)[2] <= 0xBF)
529 #   define IS_UTF8_CHAR_3b(p)   \
530         ((p)[0] >= 0xE1 && (p)[0] <= 0xEF && \
531          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
532          (p)[2] >= 0x80 && (p)[2] <= 0xBF)
533 #   define IS_UTF8_CHAR_4a(p)   \
534         ((p)[0] == 0xF0 && \
535          (p)[1] >= 0x90 && (p)[1] <= 0xBF && \
536          (p)[2] >= 0x80 && (p)[2] <= 0xBF && \
537          (p)[3] >= 0x80 && (p)[3] <= 0xBF)
538 /* The 0xF7 allows us to go to 0x1fffff (0x200000 would
539  * require five bytes).  Not doing any further code points
540  * since that is not needed (and that would not be strict
541  * UTF-8, anyway).  The "slow path" in Perl_is_utf8_char()
542  * will take care of the "extended UTF-8". */
543 #   define IS_UTF8_CHAR_4b(p)   \
544         ((p)[0] >= 0xF1 && (p)[0] <= 0xF7 && \
545          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
546          (p)[2] >= 0x80 && (p)[2] <= 0xBF && \
547          (p)[3] >= 0x80 && (p)[3] <= 0xBF)
548
549 #   define IS_UTF8_CHAR_3(p)    \
550         (IS_UTF8_CHAR_3a(p) || \
551          IS_UTF8_CHAR_3b(p))
552 #   define IS_UTF8_CHAR_4(p)    \
553         (IS_UTF8_CHAR_4a(p) || \
554          IS_UTF8_CHAR_4b(p))
555
556 /* IS_UTF8_CHAR(p) is strictly speaking wrong (not UTF-8) because it
557  * (1) allows UTF-8 encoded UTF-16 surrogates
558  * (2) it allows code points past U+10FFFF.
559  * The Perl_is_utf8_char() full "slow" code will handle the Perl
560  * "extended UTF-8". */
561 #   define IS_UTF8_CHAR(p, n)   \
562         ((n) == 1 ? IS_UTF8_CHAR_1(p) : \
563          (n) == 2 ? IS_UTF8_CHAR_2(p) : \
564          (n) == 3 ? IS_UTF8_CHAR_3(p) : \
565          (n) == 4 ? IS_UTF8_CHAR_4(p) : 0)
566
567 #   define IS_UTF8_CHAR_FAST(n) ((n) <= 4)
568
569 #else   /* EBCDIC */
570
571 /* This is an attempt to port IS_UTF8_CHAR to EBCDIC based on eyeballing.
572  * untested.  If want to exclude surrogates and above-Unicode, see the
573  * definitions for UTF8_IS_SURROGATE  and UTF8_IS_SUPER */
574 #   define IS_UTF8_CHAR_1(p)    \
575         (NATIVE_TO_ASCII((p)[0]) <= 0x9F)
576 #   define IS_UTF8_CHAR_2(p)    \
577         (NATIVE_TO_I8((p)[0]) >= 0xC5 && NATIVE_TO_I8((p)[0]) <= 0xDF && \
578          NATIVE_TO_I8((p)[1]) >= 0xA0 && NATIVE_TO_I8((p)[1]) <= 0xBF)
579 #   define IS_UTF8_CHAR_3(p)    \
580         (NATIVE_TO_I8((p)[0]) == 0xE1 && NATIVE_TO_I8((p)[1]) <= 0xEF && \
581          NATIVE_TO_I8((p)[1]) >= 0xA0 && NATIVE_TO_I8((p)[1]) <= 0xBF && \
582          NATIVE_TO_I8((p)[2]) >= 0xA0 && NATIVE_TO_I8((p)[2]) <= 0xBF)
583 #   define IS_UTF8_CHAR_4a(p)   \
584         (NATIVE_TO_I8((p)[0]) == 0xF0 && \
585          NATIVE_TO_I8((p)[1]) >= 0xB0 && NATIVE_TO_I8((p)[1]) <= 0xBF && \
586          NATIVE_TO_I8((p)[2]) >= 0xA0 && NATIVE_TO_I8((p)[2]) <= 0xBF && \
587          NATIVE_TO_I8((p)[3]) >= 0xA0 && NATIVE_TO_I8((p)[3]) <= 0xBF)
588 #   define IS_UTF8_CHAR_4b(p)   \
589         (NATIVE_TO_I8((p)[0]) >= 0xF1 && NATIVE_TO_I8((p)[0]) <= 0xF7 && \
590          NATIVE_TO_I8((p)[1]) >= 0xA0 && NATIVE_TO_I8((p)[1]) <= 0xBF && \
591          NATIVE_TO_I8((p)[2]) >= 0xA0 && NATIVE_TO_I8((p)[2]) <= 0xBF && \
592          NATIVE_TO_I8((p)[3]) >= 0xA0 && NATIVE_TO_I8((p)[3]) <= 0xBF)
593 #   define IS_UTF8_CHAR_5a(p)   \
594         (NATIVE_TO_I8((p)[0]) == 0xF8 && \
595          NATIVE_TO_I8((p)[1]) >= 0xA8 && NATIVE_TO_I8((p)[1]) <= 0xBF && \
596          NATIVE_TO_I8((p)[1]) >= 0xA0 && NATIVE_TO_I8((p)[1]) <= 0xBF && \
597          NATIVE_TO_I8((p)[2]) >= 0xA0 && NATIVE_TO_I8((p)[2]) <= 0xBF && \
598          NATIVE_TO_I8((p)[3]) >= 0xA0 && NATIVE_TO_I8((p)[3]) <= 0xBF)
599 #   define IS_UTF8_CHAR_5b(p)   \
600          (NATIVE_TO_I8((p)[0]) >= 0xF9 && NATIVE_TO_I8((p)[1]) <= 0xFB && \
601          NATIVE_TO_I8((p)[1]) >= 0xA0 && NATIVE_TO_I8((p)[1]) <= 0xBF && \
602          NATIVE_TO_I8((p)[1]) >= 0xA0 && NATIVE_TO_I8((p)[1]) <= 0xBF && \
603          NATIVE_TO_I8((p)[2]) >= 0xA0 && NATIVE_TO_I8((p)[2]) <= 0xBF && \
604          NATIVE_TO_I8((p)[3]) >= 0xA0 && NATIVE_TO_I8((p)[3]) <= 0xBF)
605
606 #   define IS_UTF8_CHAR_4(p)    \
607         (IS_UTF8_CHAR_4a(p) || \
608          IS_UTF8_CHAR_4b(p))
609 #   define IS_UTF8_CHAR_5(p)    \
610         (IS_UTF8_CHAR_5a(p) || \
611          IS_UTF8_CHAR_5b(p))
612 #   define IS_UTF8_CHAR(p, n)   \
613         ((n) == 1 ? IS_UTF8_CHAR_1(p) : \
614          (n) == 2 ? IS_UTF8_CHAR_2(p) : \
615          (n) == 3 ? IS_UTF8_CHAR_3(p) : \
616          (n) == 4 ? IS_UTF8_CHAR_4(p) : \
617          (n) == 5 ? IS_UTF8_CHAR_5(p) : 0)
618
619 #   define IS_UTF8_CHAR_FAST(n) ((n) <= 5)
620
621 #endif /* IS_UTF8_CHAR() for UTF-8 */
622
623 /*
624  * Local variables:
625  * c-indentation-style: bsd
626  * c-basic-offset: 4
627  * indent-tabs-mode: nil
628  * End:
629  *
630  * ex: set ts=8 sts=4 sw=4 et:
631  */