utf8.h

   1 /*    utf8.h
   2  *
   3  *    Copyright (C) 2000, 2001, 2002, 2005, 2006, 2007, 2009 by Larry Wall and others
   4  *
   5  *    You may distribute under the terms of either the GNU General Public
   6  *    License or the Artistic License, as specified in the README file.
   7  *
   8  */
   9
  10 /* Use UTF-8 as the default script encoding?
  11  * Turning this on will break scripts having non-UTF-8 binary
  12  * data (such as Latin-1) in string literals. */
  13 #ifdef USE_UTF8_SCRIPTS
  14 #    define USE_UTF8_IN_NAMES (!IN_BYTES)
  15 #else
  16 #    define USE_UTF8_IN_NAMES (PL_hints & HINT_UTF8)
  17 #endif
  18
  19 #define to_uni_fold(c, p, lenp) _to_uni_fold_flags(c, p, lenp, 1)
  20 #define to_utf8_fold(c, p, lenp) _to_utf8_fold_flags(c, p, lenp, 1)
  21
  22 /* Source backward compatibility. */
  23 #define uvuni_to_utf8(d, uv)            uvuni_to_utf8_flags(d, uv, 0)
  24 #define is_utf8_string_loc(s, len, ep)  is_utf8_string_loclen(s, len, ep, 0)
  25
  26 #define foldEQ_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2) \
  27                     foldEQ_utf8_flags(s1, pe1, l1, u1, s2, pe2, l2, u2, 0)
  28 #define FOLDEQ_UTF8_NOMIX_ASCII (1 << 0)
  29 #define FOLDEQ_UTF8_LOCALE      (1 << 1)
  30 #define FOLDEQ_S1_ALREADY_FOLDED  (1 << 2)
  31 #define FOLDEQ_S2_ALREADY_FOLDED  (1 << 3)
  32
  33 /*
  34 =for apidoc ibcmp_utf8
  35
  36 This is a synonym for (! foldEQ_utf8())
  37
  38 =cut
  39 */
  40 #define ibcmp_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2) \
  41                     cBOOL(! foldEQ_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2))
  42
  43 #ifdef EBCDIC
  44 /* The equivalent of these macros but implementing UTF-EBCDIC
  45    are in the following header file:
  46  */
  47
  48 #include "utfebcdic.h"
  49
  50 #else   /* ! EBCDIC */
  51 START_EXTERN_C
  52
  53 #ifdef DOINIT
  54 EXTCONST unsigned char PL_utf8skip[] = {
  55 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
  56 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
  57 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
  58 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
  59 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus */
  60 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus */
  61 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2, /* scripts */
  62 3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,4,4,4,4,4,4,4,4,5,5,5,5,6,6,     /* cjk etc. */
  63 7,13, /* Perl extended (not UTF-8).  Up to 72bit allowed (64-bit + reserved). */
  64 };
  65 #else
  66 EXTCONST unsigned char PL_utf8skip[];
  67 #endif
  68
  69 END_EXTERN_C
  70
  71 /* Native character to iso-8859-1 */
  72 #define NATIVE_TO_ASCII(ch)      (ch)
  73 #define ASCII_TO_NATIVE(ch)      (ch)
  74 /* Transform after encoding */
  75 #define NATIVE_TO_UTF(ch)        (ch)
  76 #define UTF_TO_NATIVE(ch)        (ch)
  77 /* Transforms in wide UV chars */
  78 #define UNI_TO_NATIVE(ch)        (ch)
  79 #define NATIVE_TO_UNI(ch)        (ch)
  80 /* Transforms in invariant space */
  81 #define NATIVE_TO_NEED(enc,ch)   (ch)
  82 #define ASCII_TO_NEED(enc,ch)    (ch)
  83
  84 /* As there are no translations, avoid the function wrapper */
  85 #define utf8n_to_uvchr utf8n_to_uvuni
  86 #define uvchr_to_utf8  uvuni_to_utf8
  87
  88 /*
  89
  90  The following table is from Unicode 3.2.
  91
  92  Code Points            1st Byte  2nd Byte  3rd Byte  4th Byte
  93
  94    U+0000..U+007F       00..7F
  95    U+0080..U+07FF     * C2..DF    80..BF
  96    U+0800..U+0FFF       E0      * A0..BF    80..BF
  97    U+1000..U+CFFF       E1..EC    80..BF    80..BF
  98    U+D000..U+D7FF       ED        80..9F    80..BF
  99    U+D800..U+DFFF       +++++++ utf16 surrogates, not legal utf8 +++++++
 100    U+E000..U+FFFF       EE..EF    80..BF    80..BF
 101   U+10000..U+3FFFF      F0      * 90..BF    80..BF    80..BF
 102   U+40000..U+FFFFF      F1..F3    80..BF    80..BF    80..BF
 103  U+100000..U+10FFFF     F4        80..8F    80..BF    80..BF
 104
 105 Note the gaps before several of the byte entries above marked by '*'.  These are
 106 caused by legal UTF-8 avoiding non-shortest encodings: it is technically
 107 possible to UTF-8-encode a single code point in different ways, but that is
 108 explicitly forbidden, and the shortest possible encoding should always be used
 109 (and that is what Perl does).
 110
 111  */
 112
 113 /*
 114  Another way to look at it, as bits:
 115
 116  Code Points                    1st Byte   2nd Byte  3rd Byte  4th Byte
 117
 118                     0aaaaaaa     0aaaaaaa
 119             00000bbbbbaaaaaa     110bbbbb  10aaaaaa
 120             ccccbbbbbbaaaaaa     1110cccc  10bbbbbb  10aaaaaa
 121   00000dddccccccbbbbbbaaaaaa     11110ddd  10cccccc  10bbbbbb  10aaaaaa
 122
 123 As you can see, the continuation bytes all begin with C<10>, and the
 124 leading bits of the start byte tell how many bytes there are in the
 125 encoded character.
 126
 127 Perl's extended UTF-8 means we can have start bytes up to FF.
 128
 129 */
 130
 131 #define UNI_IS_INVARIANT(c)             (((UV)c) <  0x80)
 132 /* Note that C0 and C1 are invalid in legal UTF8, so the lower bound of the
 133  * below might ought to be C2 */
 134 #define UTF8_IS_START(c)                (((U8)c) >= 0xc0)
 135 #define UTF8_IS_CONTINUATION(c)         (((U8)c) >= 0x80 && (((U8)c) <= 0xbf))
 136 #define UTF8_IS_CONTINUED(c)            (((U8)c) &  0x80)
 137 #define UTF8_IS_DOWNGRADEABLE_START(c)  (((U8)c & 0xfc) == 0xc0)
 138
 139 #define UTF_START_MARK(len) (((len) >  7) ? 0xFF : (0xFE << (7-(len))))
 140 #define UTF_START_MASK(len) (((len) >= 7) ? 0x00 : (0x1F >> ((len)-2)))
 141
 142 #define UTF_CONTINUATION_MARK           0x80
 143 #define UTF_ACCUMULATION_SHIFT          6
 144 #define UTF_CONTINUATION_MASK           ((U8)0x3f)
 145
 146 #ifdef HAS_QUAD
 147 #define UNISKIP(uv) ( (uv) < 0x80           ? 1 : \
 148                       (uv) < 0x800          ? 2 : \
 149                       (uv) < 0x10000        ? 3 : \
 150                       (uv) < 0x200000       ? 4 : \
 151                       (uv) < 0x4000000      ? 5 : \
 152                       (uv) < 0x80000000     ? 6 : \
 153                       (uv) < UTF8_QUAD_MAX ? 7 : 13 )
 154 #else
 155 /* No, I'm not even going to *TRY* putting #ifdef inside a #define */
 156 #define UNISKIP(uv) ( (uv) < 0x80           ? 1 : \
 157                       (uv) < 0x800          ? 2 : \
 158                       (uv) < 0x10000        ? 3 : \
 159                       (uv) < 0x200000       ? 4 : \
 160                       (uv) < 0x4000000      ? 5 : \
 161                       (uv) < 0x80000000     ? 6 : 7 )
 162 #endif
 163
 164 #endif /* EBCDIC vs ASCII */
 165
 166 /* Rest of these are attributes of Unicode and perl's internals rather than the
 167  * encoding, or happen to be the same in both ASCII and EBCDIC (at least at
 168  * this level; the macros that some of these call may have different
 169  * definitions in the two encodings */
 170
 171 #define NATIVE8_TO_UNI(ch)     NATIVE_TO_ASCII(ch)      /* a clearer synonym */
 172
 173 #define UTF8_ACCUMULATE(old, new)       (((old) << UTF_ACCUMULATION_SHIFT) | (((U8)new) & UTF_CONTINUATION_MASK))
 174
 175 /* Convert a two (not one) byte utf8 character to a unicode code point value.
 176  * Needs just one iteration of accumulate.  Should not be used unless it is
 177  * known that the two bytes are legal: 1) two-byte start, and 2) continuation.
 178  * Note that the result can be larger than 255 if the input character is not
 179  * downgradable */
 180 #define TWO_BYTE_UTF8_TO_UNI(HI, LO) \
 181                     UTF8_ACCUMULATE((NATIVE_TO_UTF(HI) & UTF_START_MASK(2)), \
 182                                      NATIVE_TO_UTF(LO))
 183
 184 #define UTF8SKIP(s) PL_utf8skip[*(const U8*)(s)]
 185
 186 #define UTF8_IS_INVARIANT(c)            UNI_IS_INVARIANT(NATIVE_TO_UTF(c))
 187 #define NATIVE_IS_INVARIANT(c)          UNI_IS_INVARIANT(NATIVE8_TO_UNI(c))
 188
 189 #define MAX_PORTABLE_UTF8_TWO_BYTE 0x3FF    /* constrained by EBCDIC */
 190
 191 /* The macros in the next sets are used to generate the two utf8 or utfebcdic
 192  * bytes from an ordinal that is known to fit into two bytes; it must be less
 193  * than 0x3FF to work across both encodings. */
 194 /* Nocast allows these to be used in the case label of a switch statement */
 195 #define UTF8_TWO_BYTE_HI_nocast(c)      UTF_TO_NATIVE(((c) >> UTF_ACCUMULATION_SHIFT) | (0xFF & UTF_START_MARK(2)))
 196 #define UTF8_TWO_BYTE_LO_nocast(c)      UTF_TO_NATIVE(((c) & UTF_CONTINUATION_MASK) | UTF_CONTINUATION_MARK)
 197
 198 #define UTF8_TWO_BYTE_HI(c)     ((U8) (UTF8_TWO_BYTE_HI_nocast(c)))
 199 #define UTF8_TWO_BYTE_LO(c)     ((U8) (UTF8_TWO_BYTE_LO_nocast(c)))
 200
 201 /* This name is used when the source is a single byte */
 202 #define UTF8_EIGHT_BIT_HI(c)    UTF8_TWO_BYTE_HI((U8)(c))
 203 #define UTF8_EIGHT_BIT_LO(c)    UTF8_TWO_BYTE_LO((U8)(c))
 204
 205 /*
 206  * 'UTF' is whether or not p is encoded in UTF8.  The names 'foo_lazy_if' stem
 207  * from an earlier version of these macros in which they didn't call the
 208  * foo_utf8() macros (i.e. were 'lazy') unless they decided that *p is the
 209  * beginning of a utf8 character.  Now that foo_utf8() determines that itself,
 210  * no need to do it again here
 211  */
 212 #define isIDFIRST_lazy_if(p,UTF) ((IN_BYTES || !UTF ) \
 213                                  ? isIDFIRST(*(p)) \
 214                                  : isIDFIRST_utf8((const U8*)p))
 215 #define isALNUM_lazy_if(p,UTF)   ((IN_BYTES || (!UTF )) \
 216                                  ? isALNUM(*(p)) \
 217                                  : isALNUM_utf8((const U8*)p))
 218
 219 #define isIDFIRST_lazy(p)       isIDFIRST_lazy_if(p,1)
 220 #define isALNUM_lazy(p)         isALNUM_lazy_if(p,1)
 221
 222 #define UTF8_MAXBYTES 13
 223 /* How wide can a single UTF-8 encoded character become in bytes.
 224  * NOTE: Strictly speaking Perl's UTF-8 should not be called UTF-8
 225  * since UTF-8 is an encoding of Unicode and given Unicode's current
 226  * upper limit only four bytes is possible.  Perl thinks of UTF-8
 227  * as a way to encode non-negative integers in a binary format. */
 228 #define UTF8_MAXLEN UTF8_MAXBYTES
 229
 230 /* The maximum number of UTF-8 bytes a single Unicode character can
 231  * uppercase/lowercase/fold into; this number depends on the Unicode
 232  * version.  An example of maximal expansion is the U+03B0 which
 233  * uppercases to U+03C5 U+0308 U+0301.  The Unicode databases that
 234  * tell these things are UnicodeData.txt, CaseFolding.txt, and
 235  * SpecialCasing.txt.  The value is 6 for strict Unicode characters, but it has
 236  * to be as big as Perl allows for a single character */
 237 #define UTF8_MAXBYTES_CASE      UTF8_MAXBYTES
 238
 239 /* A Unicode character can fold to up to 3 characters */
 240 #define UTF8_MAX_FOLD_CHAR_EXPAND 3
 241
 242 #define IN_BYTES (CopHINTS_get(PL_curcop) & HINT_BYTES)
 243 #define DO_UTF8(sv) (SvUTF8(sv) && !IN_BYTES)
 244 #define IN_UNI_8_BIT ( (CopHINTS_get(PL_curcop) & HINT_UNI_8_BIT) \
 245                         && ! IN_LOCALE_RUNTIME && ! IN_BYTES)
 246
 247 #define UTF8_ALLOW_EMPTY                0x0001  /* Allow a zero length string */
 248
 249 /* Allow first byte to be a continuation byte */
 250 #define UTF8_ALLOW_CONTINUATION         0x0002
 251
 252 /* Allow second... bytes to be non-continuation bytes */
 253 #define UTF8_ALLOW_NON_CONTINUATION     0x0004
 254
 255 /* expecting more bytes than were available in the string */
 256 #define UTF8_ALLOW_SHORT                0x0008
 257
 258 /* Overlong sequence; i.e., the code point can be specified in fewer bytes. */
 259 #define UTF8_ALLOW_LONG                 0x0010
 260
 261 #define UTF8_DISALLOW_SURROGATE         0x0020  /* Unicode surrogates */
 262 #define UTF8_WARN_SURROGATE             0x0040
 263
 264 #define UTF8_DISALLOW_NONCHAR           0x0080  /* Unicode non-character */
 265 #define UTF8_WARN_NONCHAR               0x0100  /*  code points */
 266
 267 #define UTF8_DISALLOW_SUPER             0x0200  /* Super-set of Unicode: code */
 268 #define UTF8_WARN_SUPER                 0x0400  /* points above the legal max */
 269
 270 /* Code points which never were part of the original UTF-8 standard, the first
 271  * byte of which is a FE or FF on ASCII platforms. */
 272 #define UTF8_DISALLOW_FE_FF             0x0800
 273 #define UTF8_WARN_FE_FF                 0x1000
 274
 275 #define UTF8_CHECK_ONLY                 0x2000
 276
 277 /* For backwards source compatibility.  They do nothing, as the default now
 278  * includes what they used to mean.  The first one's meaning was to allow the
 279  * just the single non-character 0xFFFF */
 280 #define UTF8_ALLOW_FFFF 0
 281 #define UTF8_ALLOW_SURROGATE 0
 282
 283 #define UTF8_DISALLOW_ILLEGAL_INTERCHANGE (UTF8_DISALLOW_SUPER|UTF8_DISALLOW_NONCHAR|UTF8_DISALLOW_SURROGATE|UTF8_DISALLOW_FE_FF)
 284 #define UTF8_WARN_ILLEGAL_INTERCHANGE \
 285         (UTF8_WARN_SUPER|UTF8_WARN_NONCHAR|UTF8_WARN_SURROGATE|UTF8_WARN_FE_FF)
 286 #define UTF8_ALLOW_ANY \
 287             (~(UTF8_DISALLOW_ILLEGAL_INTERCHANGE|UTF8_WARN_ILLEGAL_INTERCHANGE))
 288 #define UTF8_ALLOW_ANYUV                                                        \
 289          (UTF8_ALLOW_EMPTY                                                      \
 290           & ~(UTF8_DISALLOW_ILLEGAL_INTERCHANGE|UTF8_WARN_ILLEGAL_INTERCHANGE))
 291 #define UTF8_ALLOW_DEFAULT              (ckWARN(WARN_UTF8) ? 0 : \
 292                                          UTF8_ALLOW_ANYUV)
 293
 294 /* Surrogates, non-character code points and above-Unicode code points are
 295  * problematic in some contexts.  This allows code that needs to check for
 296  * those to to quickly exclude the vast majority of code points it will
 297  * encounter */
 298 #ifdef EBCDIC
 299 #   define UTF8_FIRST_PROBLEMATIC_CODE_POINT_FIRST_BYTE UTF_TO_NATIVE(0xF1)
 300 #else
 301 #   define UTF8_FIRST_PROBLEMATIC_CODE_POINT_FIRST_BYTE 0xED
 302 #endif
 303
 304 /*              ASCII              EBCDIC I8
 305  * U+D7FF:   \xED\x9F\xBF       \xF1\xB5\xBF\xBF    last before surrogates
 306  * U+D800:   \xED\xA0\x80       \xF1\xB6\xA0\xA0    1st surrogate
 307  * U+DFFF:   \xED\xBF\xBF       \xF1\xB7\xBF\xBF    final surrogate
 308  * U+E000:   \xEE\x80\x80       \xF1\xB8\xA0\xA0    next after surrogates
 309  */
 310 #ifdef EBCDIC /* Both versions assume well-formed UTF8 */
 311 #   define UTF8_IS_SURROGATE(s)  (*(s) == UTF_TO_NATIVE(0xF1)                   \
 312       && (*((s) +1) == UTF_TO_NATIVE(0xB6)) || *((s) + 1) == UTF_TO_NATIVE(0xB7))
 313 #else
 314 #   define UTF8_IS_SURROGATE(s) (*(s) == 0xED && *((s) + 1) >= 0xA0)
 315 #endif
 316
 317 /*                ASCII              EBCDIC I8
 318  * U+10FFFF: \xF4\x8F\xBF\xBF   \xF9\xA1\xBF\xBF\xBF    max legal Unicode
 319  * U+110000: \xF4\x90\x80\x80   \xF9\xA2\xA0\xA0\xA0
 320  * U+110001: \xF4\x90\x80\x81   \xF9\xA2\xA0\xA0\xA1
 321  */
 322 #ifdef EBCDIC /* Both versions assume well-formed UTF8 */
 323 #   define UTF8_IS_SUPER(s)  (*(s) >= UTF_TO_NATIVE(0xF9)                       \
 324       && (*(s) > UTF_TO_NATIVE(0xF9) || (*((s) + 1) >= UTF_TO_NATIVE(0xA2))))
 325 #else
 326 #   define UTF8_IS_SUPER(s)  (*(s) >= 0xF4                                      \
 327                                         && (*(s) > 0xF4 || (*((s) + 1) >= 0x90)))
 328 #endif
 329
 330 /*         ASCII                     EBCDIC I8
 331  * U+FDCF: \xEF\xB7\x8F         \xF1\xBF\xAE\xAF        last before non-char block
 332  * U+FDD0: \xEF\xB7\x90         \xF1\xBF\xAE\xB0        first non-char in block
 333  * U+FDEF: \xEF\xB7\xAF         \xF1\xBF\xAF\xAF        last non-char in block
 334  * U+FDF0: \xEF\xB7\xB0         \xF1\xBF\xAF\xB0        first after non-char block
 335  * U+FFFF: \xEF\xBF\xBF         \xF1\xBF\xBF\xBF
 336  * U+1FFFF: \xF0\x9F\xBF\xBF    \xF3\xBF\xBF\xBF
 337  * U+2FFFF: \xF0\xAF\xBF\xBF    \xF5\xBF\xBF\xBF
 338  * U+3FFFF: \xF0\xBF\xBF\xBF    \xF7\xBF\xBF\xBF
 339  * U+4FFFF: \xF1\x8F\xBF\xBF    \xF8\xA9\xBF\xBF\xBF
 340  * U+5FFFF: \xF1\x9F\xBF\xBF    \xF8\xAB\xBF\xBF\xBF
 341  * U+6FFFF: \xF1\xAF\xBF\xBF    \xF8\xAD\xBF\xBF\xBF
 342  * U+7FFFF: \xF1\xBF\xBF\xBF    \xF8\xAF\xBF\xBF\xBF
 343  * U+8FFFF: \xF2\x8F\xBF\xBF    \xF8\xB1\xBF\xBF\xBF
 344  * U+9FFFF: \xF2\x9F\xBF\xBF    \xF8\xB3\xBF\xBF\xBF
 345  * U+AFFFF: \xF2\xAF\xBF\xBF    \xF8\xB5\xBF\xBF\xBF
 346  * U+BFFFF: \xF2\xBF\xBF\xBF    \xF8\xB7\xBF\xBF\xBF
 347  * U+CFFFF: \xF3\x8F\xBF\xBF    \xF8\xB9\xBF\xBF\xBF
 348  * U+DFFFF: \xF3\x9F\xBF\xBF    \xF8\xBB\xBF\xBF\xBF
 349  * U+EFFFF: \xF3\xAF\xBF\xBF    \xF8\xBD\xBF\xBF\xBF
 350  * U+FFFFF: \xF3\xBF\xBF\xBF    \xF8\xBF\xBF\xBF\xBF
 351  * U+10FFFF: \xF4\x8F\xBF\xBF   \xF9\xA1\xBF\xBF\xBF
 352  */
 353 #define UTF8_IS_NONCHAR_(s) (                                                   \
 354     *(s) >= UTF8_FIRST_PROBLEMATIC_CODE_POINT_FIRST_BYTE                        \
 355     && ! UTF8_IS_SUPER(s)                                                       \
 356     && UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_FIRST_PROBLEMATIC(s)         \
 357
 358 #ifdef EBCDIC /* Both versions assume well-formed UTF8 */
 359 #   define UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_PROBLEMATIC(s)           \
 360     ((*(s) == UTF_TO_NATIVE(0xF1)                                               \
 361        && (*((s) + 1) == UTF_TO_NATIVE(0xBF)                                    \
 362        &&    ((*((s) + 2) == UTF_TO_NATIVE(0xAE)                                \
 363             && *((s) + 3) >= UTF_TO_NATIVE(0xB0))                               \
 364           || (*((s) + 2) == UTF_TO_NATIVE(0xAF)                                 \
 365             && *((s) + 3) <= UTF_TO_NATIVE(0xAF)))))                            \
 366     || (UTF8SKIP(*(s)) > 3                                                      \
 367         /* (These were all derived by inspection and experimentation with an */ \
 368         /* editor)  The next line checks the next to final byte in the char */  \
 369         && *((s) + UTF8SKIP(*(s)) - 2) == UTF_TO_NATIVE(0xBF)                   \
 370         && *((s) + UTF8SKIP(*(s)) - 3) == UTF_TO_NATIVE(0xBF)                   \
 371         && (NATIVE_TO_UTF(*((s) + UTF8SKIP(*(s)) - 4)) & 0x81) == 0x81          \
 372         && (NATIVE_TO_UTF(*((s) + UTF8SKIP(*(s)) - 1)) & 0xBE) == 0XBE))
 373 #else
 374 #   define UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_PROBLEMATIC(s)           \
 375     ((*(s) == 0xEF                                                              \
 376         && ((*((s) + 1) == 0xB7 && (*((s) + 2) >= 0x90 && (*((s) + 2) <= 0xAF)))\
 377                 /* Gets U+FFF[EF] */                                            \
 378             || (*((s) + 1) == 0xBF && ((*((s) + 2) & 0xBE) == 0xBE))))          \
 379  || ((*((s) + 2) == 0xBF                                                        \
 380          && (*((s) + 3) & 0xBE) == 0xBE                                         \
 381             /* Excludes things like U+10FFE = \xF0\x90\xBF\xBE */               \
 382          && (*((s) + 1) & 0x8F) == 0x8F)))
 383 #endif
 384
 385 #define UNICODE_SURROGATE_FIRST         0xD800
 386 #define UNICODE_SURROGATE_LAST          0xDFFF
 387 #define UNICODE_REPLACEMENT             0xFFFD
 388 #define UNICODE_BYTE_ORDER_MARK         0xFEFF
 389
 390 /* Though our UTF-8 encoding can go beyond this,
 391  * let's be conservative and do as Unicode says. */
 392 #define PERL_UNICODE_MAX        0x10FFFF
 393
 394 #define UNICODE_WARN_SURROGATE     0x0001       /* UTF-16 surrogates */
 395 #define UNICODE_WARN_NONCHAR       0x0002       /* Non-char code points */
 396 #define UNICODE_WARN_SUPER         0x0004       /* Above 0x10FFFF */
 397 #define UNICODE_WARN_FE_FF         0x0008       /* Above 0x10FFFF */
 398 #define UNICODE_DISALLOW_SURROGATE 0x0010
 399 #define UNICODE_DISALLOW_NONCHAR   0x0020
 400 #define UNICODE_DISALLOW_SUPER     0x0040
 401 #define UNICODE_DISALLOW_FE_FF     0x0080
 402 #define UNICODE_WARN_ILLEGAL_INTERCHANGE \
 403     (UNICODE_WARN_SURROGATE|UNICODE_WARN_NONCHAR|UNICODE_WARN_SUPER)
 404 #define UNICODE_DISALLOW_ILLEGAL_INTERCHANGE \
 405     (UNICODE_DISALLOW_SURROGATE|UNICODE_DISALLOW_NONCHAR|UNICODE_DISALLOW_SUPER)
 406
 407 /* For backward source compatibility, as are now the default */
 408 #define UNICODE_ALLOW_SURROGATE 0
 409 #define UNICODE_ALLOW_SUPER     0
 410 #define UNICODE_ALLOW_ANY       0
 411
 412 #define UNICODE_IS_SURROGATE(c)         ((c) >= UNICODE_SURROGATE_FIRST && \
 413                                          (c) <= UNICODE_SURROGATE_LAST)
 414 #define UNICODE_IS_REPLACEMENT(c)       ((c) == UNICODE_REPLACEMENT)
 415 #define UNICODE_IS_BYTE_ORDER_MARK(c)   ((c) == UNICODE_BYTE_ORDER_MARK)
 416 #define UNICODE_IS_NONCHAR(c)           ((c >= 0xFDD0 && c <= 0xFDEF) \
 417                         /* The other noncharacters end in FFFE or FFFF, which  \
 418                          * the mask below catches both of, but beyond the last \
 419                          * official unicode code point, they aren't            \
 420                          * noncharacters, since those aren't Unicode           \
 421                          * characters at all */                                \
 422                         || ((((c & 0xFFFE) == 0xFFFE)) && ! UNICODE_IS_SUPER(c)))
 423 #define UNICODE_IS_SUPER(c)             ((c) > PERL_UNICODE_MAX)
 424 #define UNICODE_IS_FE_FF(c)             ((c) > 0x7FFFFFFF)
 425
 426 #ifdef HAS_QUAD
 427 #    define UTF8_QUAD_MAX       UINT64_C(0x1000000000)
 428 #endif
 429
 430 #define UNICODE_GREEK_CAPITAL_LETTER_SIGMA      0x03A3
 431 #define UNICODE_GREEK_SMALL_LETTER_FINAL_SIGMA  0x03C2
 432 #define UNICODE_GREEK_SMALL_LETTER_SIGMA        0x03C3
 433 #define GREEK_SMALL_LETTER_MU                   0x03BC
 434 #define GREEK_CAPITAL_LETTER_MU 0x039C  /* Upper and title case of MICRON */
 435 #define LATIN_CAPITAL_LETTER_Y_WITH_DIAERESIS 0x0178    /* Also is title case */
 436 #define LATIN_CAPITAL_LETTER_SHARP_S    0x1E9E
 437
 438 #define UNI_DISPLAY_ISPRINT     0x0001
 439 #define UNI_DISPLAY_BACKSLASH   0x0002
 440 #define UNI_DISPLAY_QQ          (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
 441 #define UNI_DISPLAY_REGEX       (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
 442
 443 #ifndef EBCDIC
 444 #   define LATIN_SMALL_LETTER_SHARP_S   0x00DF
 445 #   define LATIN_SMALL_LETTER_Y_WITH_DIAERESIS 0x00FF
 446 #   define MICRO_SIGN 0x00B5
 447 #   define LATIN_CAPITAL_LETTER_A_WITH_RING_ABOVE 0x00C5
 448 #   define LATIN_SMALL_LETTER_A_WITH_RING_ABOVE 0x00E5
 449 #endif
 450
 451 #define ANYOF_FOLD_SHARP_S(node, input, end)    \
 452         (ANYOF_BITMAP_TEST(node, LATIN_SMALL_LETTER_SHARP_S) && \
 453          (ANYOF_NONBITMAP(node)) && \
 454          (ANYOF_FLAGS(node) & ANYOF_LOC_NONBITMAP_FOLD) && \
 455          ((end) > (input) + 1) && \
 456          toLOWER((input)[0]) == 's' && \
 457          toLOWER((input)[1]) == 's')
 458 #define SHARP_S_SKIP 2
 459
 460 #ifdef EBCDIC
 461 /* IS_UTF8_CHAR() is not ported to EBCDIC */
 462 #else
 463 #define IS_UTF8_CHAR_1(p)       \
 464         ((p)[0] <= 0x7F)
 465 #define IS_UTF8_CHAR_2(p)       \
 466         ((p)[0] >= 0xC2 && (p)[0] <= 0xDF && \
 467          (p)[1] >= 0x80 && (p)[1] <= 0xBF)
 468 #define IS_UTF8_CHAR_3a(p)      \
 469         ((p)[0] == 0xE0 && \
 470          (p)[1] >= 0xA0 && (p)[1] <= 0xBF && \
 471          (p)[2] >= 0x80 && (p)[2] <= 0xBF)
 472 #define IS_UTF8_CHAR_3b(p)      \
 473         ((p)[0] >= 0xE1 && (p)[0] <= 0xEC && \
 474          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
 475          (p)[2] >= 0x80 && (p)[2] <= 0xBF)
 476 #define IS_UTF8_CHAR_3c(p)      \
 477         ((p)[0] == 0xED && \
 478          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
 479          (p)[2] >= 0x80 && (p)[2] <= 0xBF)
 480 /* In IS_UTF8_CHAR_3c(p) one could use
 481  * (p)[1] >= 0x80 && (p)[1] <= 0x9F
 482  * if one wanted to exclude surrogates. */
 483 #define IS_UTF8_CHAR_3d(p)      \
 484         ((p)[0] >= 0xEE && (p)[0] <= 0xEF && \
 485          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
 486          (p)[2] >= 0x80 && (p)[2] <= 0xBF)
 487 #define IS_UTF8_CHAR_4a(p)      \
 488         ((p)[0] == 0xF0 && \
 489          (p)[1] >= 0x90 && (p)[1] <= 0xBF && \
 490          (p)[2] >= 0x80 && (p)[2] <= 0xBF && \
 491          (p)[3] >= 0x80 && (p)[3] <= 0xBF)
 492 #define IS_UTF8_CHAR_4b(p)      \
 493         ((p)[0] >= 0xF1 && (p)[0] <= 0xF3 && \
 494          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
 495          (p)[2] >= 0x80 && (p)[2] <= 0xBF && \
 496          (p)[3] >= 0x80 && (p)[3] <= 0xBF)
 497 /* In IS_UTF8_CHAR_4c(p) one could use
 498  * (p)[0] == 0xF4
 499  * if one wanted to stop at the Unicode limit U+10FFFF.
 500  * The 0xF7 allows us to go to 0x1fffff (0x200000 would
 501  * require five bytes).  Not doing any further code points
 502  * since that is not needed (and that would not be strict
 503  * UTF-8, anyway).  The "slow path" in Perl_is_utf8_char()
 504  * will take care of the "extended UTF-8". */
 505 #define IS_UTF8_CHAR_4c(p)      \
 506         ((p)[0] >= 0xF4 && (p)[0] <= 0xF7 && \
 507          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
 508          (p)[2] >= 0x80 && (p)[2] <= 0xBF && \
 509          (p)[3] >= 0x80 && (p)[3] <= 0xBF)
 510
 511 #define IS_UTF8_CHAR_3(p)       \
 512         (IS_UTF8_CHAR_3a(p) || \
 513          IS_UTF8_CHAR_3b(p) || \
 514          IS_UTF8_CHAR_3c(p) || \
 515          IS_UTF8_CHAR_3d(p))
 516 #define IS_UTF8_CHAR_4(p)       \
 517         (IS_UTF8_CHAR_4a(p) || \
 518          IS_UTF8_CHAR_4b(p) || \
 519          IS_UTF8_CHAR_4c(p))
 520
 521 /* IS_UTF8_CHAR(p) is strictly speaking wrong (not UTF-8) because it
 522  * (1) allows UTF-8 encoded UTF-16 surrogates
 523  * (2) it allows code points past U+10FFFF.
 524  * The Perl_is_utf8_char() full "slow" code will handle the Perl
 525  * "extended UTF-8". */
 526 #define IS_UTF8_CHAR(p, n)      \
 527         ((n) == 1 ? IS_UTF8_CHAR_1(p) : \
 528          (n) == 2 ? IS_UTF8_CHAR_2(p) : \
 529          (n) == 3 ? IS_UTF8_CHAR_3(p) : \
 530          (n) == 4 ? IS_UTF8_CHAR_4(p) : 0)
 531
 532 #define IS_UTF8_CHAR_FAST(n) ((n) <= 4)
 533
 534 #endif /* IS_UTF8_CHAR() for UTF-8 */
 535
 536 /*
 537  * Local variables:
 538  * c-indentation-style: bsd
 539  * c-basic-offset: 4
 540  * indent-tabs-mode: t
 541  * End:
 542  *
 543  * ex: set ts=8 sts=4 sw=4 noet:
 544  */