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 #ifdef DOINIT
 101 EXTCONST unsigned char PL_utf8skip[] = {
 102 /* 0x00 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 103 /* 0x10 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 104 /* 0x20 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 105 /* 0x30 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 106 /* 0x40 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 107 /* 0x50 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 108 /* 0x60 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 109 /* 0x70 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 110 /* 0x80 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
 111 /* 0x90 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
 112 /* 0xA0 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
 113 /* 0xB0 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
 114 /* 0xC0 */ 2,2,                             /* overlong */
 115 /* 0xC2 */     2,2,2,2,2,2,2,2,2,2,2,2,2,2, /* U+0080 to U+03FF */
 116 /* 0xD0 */ 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2, /* U+0400 to U+07FF */
 117 /* 0xE0 */ 3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3, /* U+0800 to U+FFFF */
 118 /* 0xF0 */ 4,4,4,4,4,4,4,4,5,5,5,5,6,6,     /* above BMP to 2**31 - 1 */
 119 /* 0xFE */ 7,13, /* Perl extended (never was official UTF-8).  Up to 72bit
 120                     allowed (64-bit + reserved). */
 121 };
 122 #else
 123 EXTCONST unsigned char PL_utf8skip[];
 124 #endif
 125
 126 END_EXTERN_C
 127
 128 /* Native character to/from iso-8859-1.  Are the identity functions on ASCII
 129  * platforms */
 130 #define NATIVE_TO_LATIN1(ch)     (ch)
 131 #define LATIN1_TO_NATIVE(ch)     (ch)
 132
 133 /* I8 is an intermediate version of UTF-8 used only in UTF-EBCDIC.  We thus
 134  * consider it to be identical to UTF-8 on ASCII platforms.  Strictly speaking
 135  * UTF-8 and UTF-EBCDIC are two different things, but we often conflate them
 136  * because they are 8-bit encodings that serve the same purpose in Perl, and
 137  * rarely do we need to distinguish them.  The term "NATIVE_UTF8" applies to
 138  * whichever one is applicable on the current platform */
 139 #define NATIVE_UTF8_TO_I8(ch) (ch)
 140 #define I8_TO_NATIVE_UTF8(ch) (ch)
 141
 142 /* Transforms in wide UV chars */
 143 #define UNI_TO_NATIVE(ch)        (ch)
 144 #define NATIVE_TO_UNI(ch)        (ch)
 145
 146 /*
 147
 148  The following table is from Unicode 3.2.
 149
 150  Code Points            1st Byte  2nd Byte  3rd Byte  4th Byte
 151
 152    U+0000..U+007F       00..7F
 153    U+0080..U+07FF     * C2..DF    80..BF
 154    U+0800..U+0FFF       E0      * A0..BF    80..BF
 155    U+1000..U+CFFF       E1..EC    80..BF    80..BF
 156    U+D000..U+D7FF       ED        80..9F    80..BF
 157    U+D800..U+DFFF       ED        A0..BF    80..BF  (surrogates)
 158    U+E000..U+FFFF       EE..EF    80..BF    80..BF
 159   U+10000..U+3FFFF      F0      * 90..BF    80..BF    80..BF
 160   U+40000..U+FFFFF      F1..F3    80..BF    80..BF    80..BF
 161  U+100000..U+10FFFF     F4        80..8F    80..BF    80..BF
 162     Below are non-Unicode code points
 163  U+110000..U+13FFFF     F4        90..BF    80..BF    80..BF
 164  U+110000..U+1FFFFF     F5..F7    80..BF    80..BF    80..BF
 165  U+200000..:            F8..    * 88..BF    80..BF    80..BF    80..BF
 166
 167 Note the gaps before several of the byte entries above marked by '*'.  These are
 168 caused by legal UTF-8 avoiding non-shortest encodings: it is technically
 169 possible to UTF-8-encode a single code point in different ways, but that is
 170 explicitly forbidden, and the shortest possible encoding should always be used
 171 (and that is what Perl does).  The non-shortest ones are called 'overlongs'.
 172
 173  */
 174
 175 /*
 176  Another way to look at it, as bits:
 177
 178                   Code Points      1st Byte   2nd Byte   3rd Byte   4th Byte
 179
 180                         0aaa aaaa  0aaa aaaa
 181               0000 0bbb bbaa aaaa  110b bbbb  10aa aaaa
 182               cccc bbbb bbaa aaaa  1110 cccc  10bb bbbb  10aa aaaa
 183  00 000d ddcc cccc bbbb bbaa aaaa  1111 0ddd  10cc cccc  10bb bbbb  10aa aaaa
 184
 185 As you can see, the continuation bytes all begin with C<10>, and the
 186 leading bits of the start byte tell how many bytes there are in the
 187 encoded character.
 188
 189 Perl's extended UTF-8 means we can have start bytes up to FF.
 190
 191 */
 192
 193 /* Is the representation of the Unicode code point 'c' the same regardless of
 194  * being encoded in UTF-8 or not? */
 195 #define UNI_IS_INVARIANT(c)             (((UV)c) <  0x80)
 196
 197 /* Is the UTF8-encoded byte 'c' part of a variant sequence in UTF-8?  This is
 198  * the inverse of UTF8_IS_INVARIANT */
 199 #define UTF8_IS_CONTINUED(c)        (((U8)c) &  0x80)
 200
 201 /* Is the byte 'c' the first byte of a multi-byte UTF8-8 encoded sequence?
 202  * This doesn't catch invariants (they are single-byte).  It also excludes the
 203  * illegal overlong sequences that begin with C0 and C1. */
 204 #define UTF8_IS_START(c)            (((U8)c) >= 0xc2)
 205
 206 /* Is the byte 'c' part of a multi-byte UTF8-8 encoded sequence, and not the
 207  * first byte thereof?  */
 208 #define UTF8_IS_CONTINUATION(c)     ((((U8)c) & 0xC0) == 0x80)
 209
 210 /* Is the UTF8-encoded byte 'c' the first byte of a two byte sequence?  Use
 211  * UTF8_IS_NEXT_CHAR_DOWNGRADEABLE() instead if the input isn't known to
 212  * be well-formed.  Masking with 0xfe allows the low bit to be 0 or 1; thus
 213  * this matches 0xc[23]. */
 214 #define UTF8_IS_DOWNGRADEABLE_START(c)  (((U8)(c) & 0xfe) == 0xc2)
 215
 216 /* Is the UTF8-encoded byte 'c' the first byte of a sequence of bytes that
 217  * represent a code point > 255? */
 218 #define UTF8_IS_ABOVE_LATIN1(c)     ((U8)(c) >= 0xc4)
 219
 220 /* This defines the 1-bits that are to be in the first byte of a multi-byte
 221  * UTF-8 encoded character that give the number of bytes that comprise the
 222  * character. 'len' is the number of bytes in the multi-byte sequence. */
 223 #define UTF_START_MARK(len) (((len) >  7) ? 0xFF : (0xFF & (0xFE << (7-(len)))))
 224
 225 /* Masks out the initial one bits in a start byte, leaving the real data ones.
 226  * Doesn't work on an invariant byte.  'len' is the number of bytes in the
 227  * multi-byte sequence that comprises the character. */
 228 #define UTF_START_MASK(len) (((len) >= 7) ? 0x00 : (0x1F >> ((len)-2)))
 229
 230 /* This defines the bits that are to be in the continuation bytes of a multi-byte
 231  * UTF-8 encoded character that indicate it is a continuation byte. */
 232 #define UTF_CONTINUATION_MARK           0x80
 233
 234 /* This is the number of low-order bits a continuation byte in a UTF-8 encoded
 235  * sequence contributes to the specification of the code point.  In the bit
 236  * maps above, you see that the first 2 bits are a constant '10', leaving 6 of
 237  * real information */
 238 #define UTF_ACCUMULATION_SHIFT          6
 239
 240 /* 2**UTF_ACCUMULATION_SHIFT - 1 */
 241 #define UTF_CONTINUATION_MASK           ((U8)0x3f)
 242
 243 /* If a value is anded with this, and the result is non-zero, then using the
 244  * original value in UTF8_ACCUMULATE will overflow, shifting bits off the left
 245  * */
 246 #define UTF_ACCUMULATION_OVERFLOW_MASK                                  \
 247     (((UV) UTF_CONTINUATION_MASK) << ((sizeof(UV) * CHARBITS)           \
 248            - UTF_ACCUMULATION_SHIFT))
 249
 250 #if UVSIZE >= 8
 251 #  define UTF8_QUAD_MAX UINT64_C(0x1000000000)
 252
 253 /* Input is a true Unicode (not-native) code point */
 254 #define OFFUNISKIP(uv) ( (uv) < 0x80        ? 1 : \
 255                       (uv) < 0x800          ? 2 : \
 256                       (uv) < 0x10000        ? 3 : \
 257                       (uv) < 0x200000       ? 4 : \
 258                       (uv) < 0x4000000      ? 5 : \
 259                       (uv) < 0x80000000     ? 6 : \
 260                       (uv) < UTF8_QUAD_MAX ? 7 : 13 )
 261 #else
 262 /* No, I'm not even going to *TRY* putting #ifdef inside a #define */
 263 #define OFFUNISKIP(uv) ( (uv) < 0x80        ? 1 : \
 264                       (uv) < 0x800          ? 2 : \
 265                       (uv) < 0x10000        ? 3 : \
 266                       (uv) < 0x200000       ? 4 : \
 267                       (uv) < 0x4000000      ? 5 : \
 268                       (uv) < 0x80000000     ? 6 : 7 )
 269 #endif
 270
 271 /* How wide can a single UTF-8 encoded character become in bytes. */
 272 /* NOTE: Strictly speaking Perl's UTF-8 should not be called UTF-8 since UTF-8
 273  * is an encoding of Unicode, and Unicode's upper limit, 0x10FFFF, can be
 274  * expressed with 4 bytes.  However, Perl thinks of UTF-8 as a way to encode
 275  * non-negative integers in a binary format, even those above Unicode */
 276 #define UTF8_MAXBYTES 13
 277
 278 /* The maximum number of UTF-8 bytes a single Unicode character can
 279  * uppercase/lowercase/fold into.  Unicode guarantees that the maximum
 280  * expansion is 3 characters.  On ASCIIish platforms, the highest Unicode
 281  * character occupies 4 bytes, therefore this number would be 12, but this is
 282  * smaller than the maximum width a single above-Unicode character can occupy,
 283  * so use that instead */
 284 #if UTF8_MAXBYTES < 12
 285 #error UTF8_MAXBYTES must be at least 12
 286 #endif
 287
 288 /* ^? is defined to be DEL on ASCII systems.  See the definition of toCTRL()
 289  * for more */
 290 #define QUESTION_MARK_CTRL  DEL_NATIVE
 291
 292 #define MAX_UTF8_TWO_BYTE 0x7FF
 293
 294 #define UTF8_MAXBYTES_CASE      UTF8_MAXBYTES
 295
 296 #endif /* EBCDIC vs ASCII */
 297
 298 /* Rest of these are attributes of Unicode and perl's internals rather than the
 299  * encoding, or happen to be the same in both ASCII and EBCDIC (at least at
 300  * this level; the macros that some of these call may have different
 301  * definitions in the two encodings */
 302
 303 /* In domain restricted to ASCII, these may make more sense to the reader than
 304  * the ones with Latin1 in the name */
 305 #define NATIVE_TO_ASCII(ch)      NATIVE_TO_LATIN1(ch)
 306 #define ASCII_TO_NATIVE(ch)      LATIN1_TO_NATIVE(ch)
 307
 308 /* More or less misleadingly-named defines, retained for back compat */
 309 #define NATIVE_TO_UTF(ch)        NATIVE_UTF8_TO_I8(ch)
 310 #define NATIVE_TO_I8(ch)         NATIVE_UTF8_TO_I8(ch)
 311 #define UTF_TO_NATIVE(ch)        I8_TO_NATIVE_UTF8(ch)
 312 #define I8_TO_NATIVE(ch)         I8_TO_NATIVE_UTF8(ch)
 313 #define NATIVE8_TO_UNI(ch)       NATIVE_TO_LATIN1(ch)
 314
 315 /* Adds a UTF8 continuation byte 'new' of information to a running total code
 316  * point 'old' of all the continuation bytes so far.  This is designed to be
 317  * used in a loop to convert from UTF-8 to the code point represented.  Note
 318  * that this is asymmetric on EBCDIC platforms, in that the 'new' parameter is
 319  * the UTF-EBCDIC byte, whereas the 'old' parameter is a Unicode (not EBCDIC)
 320  * code point in process of being generated */
 321 #define UTF8_ACCUMULATE(old, new) (((old) << UTF_ACCUMULATION_SHIFT)           \
 322                                    | ((NATIVE_UTF8_TO_I8((U8)new))             \
 323                                        & UTF_CONTINUATION_MASK))
 324
 325 /* This works in the face of malformed UTF-8. */
 326 #define UTF8_IS_NEXT_CHAR_DOWNGRADEABLE(s, e) (UTF8_IS_DOWNGRADEABLE_START(*s) \
 327                                                && ( (e) - (s) > 1)             \
 328                                                && UTF8_IS_CONTINUATION(*((s)+1)))
 329
 330 /* Number of bytes a code point occupies in UTF-8. */
 331 #define NATIVE_SKIP(uv) OFFUNISKIP(NATIVE_TO_UNI(uv))
 332
 333 /*
 334
 335 =for apidoc Am|STRLEN|UVCHR_SKIP|UV cp
 336 returns the number of bytes required to represent the code point C<cp> when
 337 encoded as UTF-8.  C<cp> is a native (ASCII or EBCDIC) code point if less than
 338 255; a Unicode code point otherwise.
 339
 340 =cut
 341  */
 342
 343 /* Most code which says UNISKIP is really thinking in terms of native code
 344  * points (0-255) plus all those beyond.  This is an imprecise term, but having
 345  * it means existing code continues to work.  For precision, use UVCHR_SKIP,
 346  * NATIVE_SKIP, and OFFUNISKIP */
 347 #define UNISKIP(uv)   NATIVE_SKIP(uv)
 348 #define UVCHR_SKIP(uv) NATIVE_SKIP(uv)
 349
 350 /* Longer, but more accurate name */
 351 #define UTF8_IS_ABOVE_LATIN1_START(c)     UTF8_IS_ABOVE_LATIN1(c)
 352
 353 /* Convert a UTF-8 variant Latin1 character to a native code point value.
 354  * Needs just one iteration of accumulate.  Should be used only if it is known
 355  * that the code point is < 256, and is not UTF-8 invariant.  Use the slower
 356  * but more general TWO_BYTE_UTF8_TO_NATIVE() which handles any code point
 357  * representable by two bytes (which turns out to be up through
 358  * MAX_PORTABLE_UTF8_TWO_BYTE).  The two parameters are:
 359  *  HI: a downgradable start byte;
 360  *  LO: continuation.
 361  * */
 362 #define EIGHT_BIT_UTF8_TO_NATIVE(HI, LO)                                        \
 363     ( __ASSERT_(UTF8_IS_DOWNGRADEABLE_START(HI))                                \
 364       __ASSERT_(UTF8_IS_CONTINUATION(LO))                                       \
 365      LATIN1_TO_NATIVE(UTF8_ACCUMULATE((                                         \
 366                             NATIVE_UTF8_TO_I8(HI) & UTF_START_MASK(2)), (LO))))
 367
 368 /* Convert a two (not one) byte utf8 character to a native code point value.
 369  * Needs just one iteration of accumulate.  Should not be used unless it is
 370  * known that the two bytes are legal: 1) two-byte start, and 2) continuation.
 371  * Note that the result can be larger than 255 if the input character is not
 372  * downgradable */
 373 #define TWO_BYTE_UTF8_TO_NATIVE(HI, LO) \
 374     ( __ASSERT_(UTF8SKIP(HI) == 2)                                              \
 375       __ASSERT_(UTF8_IS_CONTINUATION(LO))                                       \
 376      UNI_TO_NATIVE(UTF8_ACCUMULATE((NATIVE_UTF8_TO_I8(HI) & UTF_START_MASK(2)), \
 377                                    (LO))))
 378
 379 /* Should never be used, and be deprecated */
 380 #define TWO_BYTE_UTF8_TO_UNI(HI, LO) NATIVE_TO_UNI(TWO_BYTE_UTF8_TO_NATIVE(HI, LO))
 381
 382 /*
 383
 384 =for apidoc Am|STRLEN|UTF8SKIP|char* s
 385 returns the number of bytes in the UTF-8 encoded character whose first (perhaps
 386 only) byte is pointed to by C<s>.
 387
 388 =cut
 389  */
 390 #define UTF8SKIP(s)  PL_utf8skip[*(const U8*)(s)]
 391 #define UTF8_SKIP(s) UTF8SKIP(s)
 392
 393 /* Is the byte 'c' the same character when encoded in UTF-8 as when not.  This
 394  * works on both UTF-8 encoded strings and non-encoded, as it returns TRUE in
 395  * each for the exact same set of bit patterns.  (And it works on any byte in a
 396  * UTF-8 encoded string) */
 397 #define UTF8_IS_INVARIANT(c)            UNI_IS_INVARIANT(NATIVE_UTF8_TO_I8(c))
 398
 399 /* Like the above, but its name implies a non-UTF8 input, and is implemented
 400  * differently (for no particular reason) */
 401 #define NATIVE_BYTE_IS_INVARIANT(c)     UNI_IS_INVARIANT(NATIVE_TO_LATIN1(c))
 402
 403 /* Like the above, but accepts any UV as input */
 404 #define UVCHR_IS_INVARIANT(uv)          UNI_IS_INVARIANT(NATIVE_TO_UNI(uv))
 405
 406 #define MAX_PORTABLE_UTF8_TWO_BYTE 0x3FF    /* constrained by EBCDIC */
 407
 408 /* The macros in the next 4 sets are used to generate the two utf8 or utfebcdic
 409  * bytes from an ordinal that is known to fit into exactly two (not one) bytes;
 410  * it must be less than 0x3FF to work across both encodings. */
 411
 412 /* These two are helper macros for the other three sets, and should not be used
 413  * directly anywhere else.  'translate_function' is either NATIVE_TO_LATIN1
 414  * (which works for code points up through 0xFF) or NATIVE_TO_UNI which works
 415  * for any code point */
 416 #define __BASE_TWO_BYTE_HI(c, translate_function)                               \
 417             I8_TO_NATIVE_UTF8((translate_function(c) >> UTF_ACCUMULATION_SHIFT) \
 418                               | UTF_START_MARK(2))
 419 #define __BASE_TWO_BYTE_LO(c, translate_function)                               \
 420               I8_TO_NATIVE_UTF8((translate_function(c) & UTF_CONTINUATION_MASK) \
 421                                  | UTF_CONTINUATION_MARK)
 422
 423 /* The next two macros should not be used.  They were designed to be usable as
 424  * the case label of a switch statement, but this doesn't work for EBCDIC.  Use
 425  * regen/unicode_constants.pl instead */
 426 #define UTF8_TWO_BYTE_HI_nocast(c)  __BASE_TWO_BYTE_HI(c, NATIVE_TO_UNI)
 427 #define UTF8_TWO_BYTE_LO_nocast(c)  __BASE_TWO_BYTE_LO(c, NATIVE_TO_UNI)
 428
 429 /* The next two macros are used when the source should be a single byte
 430  * character; checked for under DEBUGGING */
 431 #define UTF8_EIGHT_BIT_HI(c) (__ASSERT_(FITS_IN_8_BITS(c))                    \
 432                              ((U8) __BASE_TWO_BYTE_HI(c, NATIVE_TO_LATIN1)))
 433 #define UTF8_EIGHT_BIT_LO(c) (__ASSERT_(FITS_IN_8_BITS(c))                    \
 434                              ((U8) __BASE_TWO_BYTE_LO(c, NATIVE_TO_LATIN1)))
 435
 436 /* These final two macros in the series are used when the source can be any
 437  * code point whose UTF-8 is known to occupy 2 bytes; they are less efficient
 438  * than the EIGHT_BIT versions on EBCDIC platforms.  We use the logical '~'
 439  * operator instead of "<=" to avoid getting compiler warnings.
 440  * MAX_UTF8_TWO_BYTE should be exactly all one bits in the lower few
 441  * places, so the ~ works */
 442 #define UTF8_TWO_BYTE_HI(c)                                                    \
 443        (__ASSERT_((sizeof(c) ==  1)                                            \
 444                   || !(((WIDEST_UTYPE)(c)) & ~MAX_UTF8_TWO_BYTE))              \
 445         ((U8) __BASE_TWO_BYTE_HI(c, NATIVE_TO_UNI)))
 446 #define UTF8_TWO_BYTE_LO(c)                                                    \
 447        (__ASSERT_((sizeof(c) ==  1)                                            \
 448                   || !(((WIDEST_UTYPE)(c)) & ~MAX_UTF8_TWO_BYTE))              \
 449         ((U8) __BASE_TWO_BYTE_LO(c, NATIVE_TO_UNI)))
 450
 451 /* This is illegal in any well-formed UTF-8 in both EBCDIC and ASCII
 452  * as it is only in overlongs. */
 453 #define ILLEGAL_UTF8_BYTE   I8_TO_NATIVE_UTF8(0xC1)
 454
 455 /*
 456  * 'UTF' is whether or not p is encoded in UTF8.  The names 'foo_lazy_if' stem
 457  * from an earlier version of these macros in which they didn't call the
 458  * foo_utf8() macros (i.e. were 'lazy') unless they decided that *p is the
 459  * beginning of a utf8 character.  Now that foo_utf8() determines that itself,
 460  * no need to do it again here
 461  */
 462 #define isIDFIRST_lazy_if(p,UTF) ((IN_BYTES || !UTF ) \
 463                                  ? isIDFIRST(*(p)) \
 464                                  : isIDFIRST_utf8((const U8*)p))
 465 #define isWORDCHAR_lazy_if(p,UTF)   ((IN_BYTES || (!UTF )) \
 466                                  ? isWORDCHAR(*(p)) \
 467                                  : isWORDCHAR_utf8((const U8*)p))
 468 #define isALNUM_lazy_if(p,UTF)   isWORDCHAR_lazy_if(p,UTF)
 469
 470 #define UTF8_MAXLEN UTF8_MAXBYTES
 471
 472 /* A Unicode character can fold to up to 3 characters */
 473 #define UTF8_MAX_FOLD_CHAR_EXPAND 3
 474
 475 #define IN_BYTES (CopHINTS_get(PL_curcop) & HINT_BYTES)
 476
 477 /*
 478
 479 =for apidoc Am|bool|DO_UTF8|SV* sv
 480 Returns a bool giving whether or not the PV in C<sv> is to be treated as being
 481 encoded in UTF-8.
 482
 483 You should use this I<after> a call to C<SvPV()> or one of its variants, in
 484 case any call to string overloading updates the internal UTF-8 encoding flag.
 485
 486 =cut
 487 */
 488 #define DO_UTF8(sv) (SvUTF8(sv) && !IN_BYTES)
 489
 490 /* Should all strings be treated as Unicode, and not just UTF-8 encoded ones?
 491  * Is so within 'feature unicode_strings' or 'locale :not_characters', and not
 492  * within 'use bytes'.  UTF-8 locales are not tested for here, but perhaps
 493  * could be */
 494 #define IN_UNI_8_BIT                                                             \
 495             (((CopHINTS_get(PL_curcop) & (HINT_UNI_8_BIT))                       \
 496                || (CopHINTS_get(PL_curcop) & HINT_LOCALE_PARTIAL                 \
 497                    /* -1 below is for :not_characters */                         \
 498                    && _is_in_locale_category(FALSE, -1)))                        \
 499               && ! IN_BYTES)
 500
 501
 502 #define UTF8_ALLOW_EMPTY                0x0001  /* Allow a zero length string */
 503
 504 /* Allow first byte to be a continuation byte */
 505 #define UTF8_ALLOW_CONTINUATION         0x0002
 506
 507 /* Allow second... bytes to be non-continuation bytes */
 508 #define UTF8_ALLOW_NON_CONTINUATION     0x0004
 509
 510 /* expecting more bytes than were available in the string */
 511 #define UTF8_ALLOW_SHORT                0x0008
 512
 513 /* Overlong sequence; i.e., the code point can be specified in fewer bytes. */
 514 #define UTF8_ALLOW_LONG                 0x0010
 515
 516 #define UTF8_DISALLOW_SURROGATE         0x0020  /* Unicode surrogates */
 517 #define UTF8_WARN_SURROGATE             0x0040
 518
 519 #define UTF8_DISALLOW_NONCHAR           0x0080  /* Unicode non-character */
 520 #define UTF8_WARN_NONCHAR               0x0100  /*  code points */
 521
 522 #define UTF8_DISALLOW_SUPER             0x0200  /* Super-set of Unicode: code */
 523 #define UTF8_WARN_SUPER                 0x0400  /* points above the legal max */
 524
 525 /* Code points which never were part of the original UTF-8 standard, the first
 526  * byte of which is a FE or FF on ASCII platforms. If the first byte is FF, it
 527  * will overflow a 32-bit word.  If the first byte is FE, it will overflow a
 528  * signed 32-bit word. */
 529 #define UTF8_DISALLOW_FE_FF             0x0800
 530 #define UTF8_WARN_FE_FF                 0x1000
 531
 532 #define UTF8_CHECK_ONLY                 0x2000
 533
 534 /* For backwards source compatibility.  They do nothing, as the default now
 535  * includes what they used to mean.  The first one's meaning was to allow the
 536  * just the single non-character 0xFFFF */
 537 #define UTF8_ALLOW_FFFF 0
 538 #define UTF8_ALLOW_SURROGATE 0
 539
 540 #define UTF8_DISALLOW_ILLEGAL_INTERCHANGE (UTF8_DISALLOW_SUPER|UTF8_DISALLOW_NONCHAR|UTF8_DISALLOW_SURROGATE|UTF8_DISALLOW_FE_FF)
 541 #define UTF8_WARN_ILLEGAL_INTERCHANGE \
 542         (UTF8_WARN_SUPER|UTF8_WARN_NONCHAR|UTF8_WARN_SURROGATE|UTF8_WARN_FE_FF)
 543 #define UTF8_ALLOW_ANY \
 544             (~(UTF8_DISALLOW_ILLEGAL_INTERCHANGE|UTF8_WARN_ILLEGAL_INTERCHANGE))
 545 #define UTF8_ALLOW_ANYUV                                                        \
 546          (UTF8_ALLOW_EMPTY                                                      \
 547           & ~(UTF8_DISALLOW_ILLEGAL_INTERCHANGE|UTF8_WARN_ILLEGAL_INTERCHANGE))
 548 #define UTF8_ALLOW_DEFAULT              (ckWARN(WARN_UTF8) ? 0 : \
 549                                          UTF8_ALLOW_ANYUV)
 550
 551 /* Surrogates, non-character code points and above-Unicode code points are
 552  * problematic in some contexts.  This allows code that needs to check for
 553  * those to to quickly exclude the vast majority of code points it will
 554  * encounter */
 555 #define UTF8_FIRST_PROBLEMATIC_CODE_POINT_FIRST_BYTE \
 556                                     FIRST_SURROGATE_UTF8_FIRST_BYTE
 557
 558 /* Several of the macros below have a second parameter that is currently
 559  * unused; but could be used in the future to make sure that the input is
 560  * well-formed. */
 561
 562 #define UTF8_IS_SURROGATE(s, e) cBOOL(is_SURROGATE_utf8(s))
 563 #define UTF8_IS_REPLACEMENT(s, send) cBOOL(is_REPLACEMENT_utf8_safe(s,send))
 564
 565 /*                ASCII              EBCDIC I8
 566  * U+10FFFF: \xF4\x8F\xBF\xBF   \xF9\xA1\xBF\xBF\xBF    max legal Unicode
 567  * U+110000: \xF4\x90\x80\x80   \xF9\xA2\xA0\xA0\xA0
 568  * U+110001: \xF4\x90\x80\x81   \xF9\xA2\xA0\xA0\xA1
 569  *
 570  * BE AWARE that this test doesn't rule out malformed code points, in
 571  * particular overlongs */
 572 #ifdef EBCDIC /* Both versions assume well-formed UTF8 */
 573 #   define UTF8_IS_SUPER(s, e) (NATIVE_UTF8_TO_I8(* (U8*) (s)) >= 0xF9          \
 574                          && (NATIVE_UTF8_TO_I8(* (U8*) (s)) > 0xF9              \
 575                              || (NATIVE_UTF8_TO_I8(* ((U8*) (s) + 1)) >= 0xA2)))
 576 #else
 577 #   define UTF8_IS_SUPER(s, e) (*(U8*) (s) >= 0xF4                              \
 578                            && (*(U8*) (s) > 0xF4 || (*((U8*) (s) + 1) >= 0x90)))
 579 #endif
 580
 581 /* These are now machine generated, and the 'given' clause is no longer
 582  * applicable */
 583 #define UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_PROBLEMATIC(s, e)          \
 584                                                     cBOOL(is_NONCHAR_utf8(s))
 585 #define UTF8_IS_NONCHAR(s, e)                                                  \
 586                 UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_PROBLEMATIC(s, e)
 587
 588 #define UNICODE_SURROGATE_FIRST         0xD800
 589 #define UNICODE_SURROGATE_LAST          0xDFFF
 590 #define UNICODE_REPLACEMENT             0xFFFD
 591 #define UNICODE_BYTE_ORDER_MARK         0xFEFF
 592
 593 /* Though our UTF-8 encoding can go beyond this,
 594  * let's be conservative and do as Unicode says. */
 595 #define PERL_UNICODE_MAX        0x10FFFF
 596
 597 #define UNICODE_WARN_SURROGATE     0x0001       /* UTF-16 surrogates */
 598 #define UNICODE_WARN_NONCHAR       0x0002       /* Non-char code points */
 599 #define UNICODE_WARN_SUPER         0x0004       /* Above 0x10FFFF */
 600 #define UNICODE_WARN_FE_FF         0x0008       /* Above 0x10FFFF */
 601 #define UNICODE_DISALLOW_SURROGATE 0x0010
 602 #define UNICODE_DISALLOW_NONCHAR   0x0020
 603 #define UNICODE_DISALLOW_SUPER     0x0040
 604 #define UNICODE_DISALLOW_FE_FF     0x0080
 605 #define UNICODE_WARN_ILLEGAL_INTERCHANGE                                      \
 606             (UNICODE_WARN_SURROGATE|UNICODE_WARN_NONCHAR|UNICODE_WARN_SUPER)
 607 #define UNICODE_DISALLOW_ILLEGAL_INTERCHANGE                                  \
 608  (UNICODE_DISALLOW_SURROGATE|UNICODE_DISALLOW_NONCHAR|UNICODE_DISALLOW_SUPER)
 609
 610 /* For backward source compatibility, as are now the default */
 611 #define UNICODE_ALLOW_SURROGATE 0
 612 #define UNICODE_ALLOW_SUPER     0
 613 #define UNICODE_ALLOW_ANY       0
 614
 615 #define UNICODE_IS_SURROGATE(c)         ((c) >= UNICODE_SURROGATE_FIRST && \
 616                                          (c) <= UNICODE_SURROGATE_LAST)
 617 #define UNICODE_IS_REPLACEMENT(c)       ((c) == UNICODE_REPLACEMENT)
 618 #define UNICODE_IS_BYTE_ORDER_MARK(c)   ((c) == UNICODE_BYTE_ORDER_MARK)
 619 #define UNICODE_IS_NONCHAR(c)           ((c >= 0xFDD0 && c <= 0xFDEF) \
 620                         /* The other noncharacters end in FFFE or FFFF, which  \
 621                          * the mask below catches both of, but beyond the last \
 622                          * official unicode code point, they aren't            \
 623                          * noncharacters, since those aren't Unicode           \
 624                          * characters at all */                                \
 625                         || ((((c & 0xFFFE) == 0xFFFE)) && ! UNICODE_IS_SUPER(c)))
 626 #define UNICODE_IS_SUPER(c)             ((c) > PERL_UNICODE_MAX)
 627 #define UNICODE_IS_FE_FF(c)             ((c) > 0x7FFFFFFF)
 628
 629 #define LATIN_SMALL_LETTER_SHARP_S      LATIN_SMALL_LETTER_SHARP_S_NATIVE
 630 #define LATIN_SMALL_LETTER_Y_WITH_DIAERESIS                                  \
 631                                 LATIN_SMALL_LETTER_Y_WITH_DIAERESIS_NATIVE
 632 #define MICRO_SIGN      MICRO_SIGN_NATIVE
 633 #define LATIN_CAPITAL_LETTER_A_WITH_RING_ABOVE                               \
 634                             LATIN_CAPITAL_LETTER_A_WITH_RING_ABOVE_NATIVE
 635 #define LATIN_SMALL_LETTER_A_WITH_RING_ABOVE                                 \
 636                                 LATIN_SMALL_LETTER_A_WITH_RING_ABOVE_NATIVE
 637 #define UNICODE_GREEK_CAPITAL_LETTER_SIGMA      0x03A3
 638 #define UNICODE_GREEK_SMALL_LETTER_FINAL_SIGMA  0x03C2
 639 #define UNICODE_GREEK_SMALL_LETTER_SIGMA        0x03C3
 640 #define GREEK_SMALL_LETTER_MU                   0x03BC
 641 #define GREEK_CAPITAL_LETTER_MU                 0x039C  /* Upper and title case
 642                                                            of MICRON */
 643 #define LATIN_CAPITAL_LETTER_Y_WITH_DIAERESIS   0x0178  /* Also is title case */
 644 #ifdef LATIN_CAPITAL_LETTER_SHARP_S_UTF8
 645 #   define LATIN_CAPITAL_LETTER_SHARP_S         0x1E9E
 646 #endif
 647 #define LATIN_CAPITAL_LETTER_I_WITH_DOT_ABOVE   0x130
 648 #define LATIN_SMALL_LETTER_DOTLESS_I            0x131
 649 #define LATIN_SMALL_LETTER_LONG_S               0x017F
 650 #define LATIN_SMALL_LIGATURE_LONG_S_T           0xFB05
 651 #define LATIN_SMALL_LIGATURE_ST                 0xFB06
 652 #define KELVIN_SIGN                             0x212A
 653 #define ANGSTROM_SIGN                           0x212B
 654
 655 #define UNI_DISPLAY_ISPRINT     0x0001
 656 #define UNI_DISPLAY_BACKSLASH   0x0002
 657 #define UNI_DISPLAY_QQ          (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
 658 #define UNI_DISPLAY_REGEX       (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
 659
 660 #define ANYOF_FOLD_SHARP_S(node, input, end)    \
 661         (ANYOF_BITMAP_TEST(node, LATIN_SMALL_LETTER_SHARP_S) && \
 662          (ANYOF_NONBITMAP(node)) && \
 663          (ANYOF_FLAGS(node) & ANYOF_LOC_NONBITMAP_FOLD) && \
 664          ((end) > (input) + 1) && \
 665          isALPHA_FOLD_EQ((input)[0], 's'))
 666
 667 #define SHARP_S_SKIP 2
 668
 669 /* If you want to exclude surrogates, and beyond legal Unicode, see the blame
 670  * log for earlier versions which gave details for these */
 671
 672 /* A helper macro for isUTF8_CHAR, so use that one, and not this one.  This is
 673  * retained solely for backwards compatibility and may be deprecated and
 674  * removed in a future Perl version.
 675  *
 676  * regen/regcharclass.pl generates is_UTF8_CHAR_utf8() macros for up to these
 677  * number of bytes.  So this has to be coordinated with that file */
 678 #ifdef EBCDIC
 679 #   define IS_UTF8_CHAR_FAST(n) ((n) <= 3)
 680 #else
 681 #   define IS_UTF8_CHAR_FAST(n) ((n) <= 4)
 682 #endif
 683
 684 #ifndef EBCDIC
 685 /* A helper macro for isUTF8_CHAR, so use that one instead of this.  This was
 686  * generated by regen/regcharclass.pl, and then moved here.  The lines that
 687  * generated it were then commented out.  This was done solely because it takes
 688  * on the order of 10 minutes to generate, and is never going to change, unless
 689  * the generated code is improved.
 690  *
 691  * The EBCDIC versions have been cut to not cover all of legal Unicode,
 692  * otherwise they take too long to generate; besides there is a separate one
 693  * for each code page, so they are in regcharclass.h instead of here */
 694 /*
 695         UTF8_CHAR: Matches legal UTF-8 encoded characters from 2 through 4 bytes
 696
 697         0x80 - 0x1FFFFF
 698 */
 699 /*** GENERATED CODE ***/
 700 #define is_UTF8_CHAR_utf8_no_length_checks(s)                               \
 701 ( ( 0xC2 <= ((U8*)s)[0] && ((U8*)s)[0] <= 0xDF ) ?                          \
 702     ( ( ( ((U8*)s)[1] & 0xC0 ) == 0x80 ) ? 2 : 0 )                          \
 703 : ( 0xE0 == ((U8*)s)[0] ) ?                                                 \
 704     ( ( ( ( ((U8*)s)[1] & 0xE0 ) == 0xA0 ) && ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ) ? 3 : 0 )\
 705 : ( 0xE1 <= ((U8*)s)[0] && ((U8*)s)[0] <= 0xEF ) ?                          \
 706     ( ( ( ( ((U8*)s)[1] & 0xC0 ) == 0x80 ) && ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ) ? 3 : 0 )\
 707 : ( 0xF0 == ((U8*)s)[0] ) ?                                                 \
 708     ( ( ( ( 0x90 <= ((U8*)s)[1] && ((U8*)s)[1] <= 0xBF ) && ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ) && ( ( ((U8*)s)[3] & 0xC0 ) == 0x80 ) ) ? 4 : 0 )\
 709 : ( ( ( ( 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 )
 710 #endif
 711
 712 /*
 713
 714 =for apidoc Am|STRLEN|isUTF8_CHAR|const U8 *s|const U8 *e
 715
 716 Returns the number of bytes beginning at C<s> which form a legal UTF-8 (or
 717 UTF-EBCDIC) encoded character, looking no further than S<C<e - s>> bytes into
 718 C<s>.  Returns 0 if the sequence starting at C<s> through S<C<e - 1>> is not
 719 well-formed UTF-8.
 720
 721 Note that an INVARIANT character (i.e. ASCII on non-EBCDIC
 722 machines) is a valid UTF-8 character.
 723
 724 =cut
 725 */
 726
 727 #define isUTF8_CHAR(s, e)   (UNLIKELY((e) <= (s))                           \
 728                              ? 0                                            \
 729                              : (UTF8_IS_INVARIANT(*s))                      \
 730                                ? 1                                          \
 731                                : UNLIKELY(((e) - (s)) < UTF8SKIP(s))        \
 732                                  ? 0                                        \
 733                                  : LIKELY(IS_UTF8_CHAR_FAST(UTF8SKIP(s)))   \
 734                                    ? is_UTF8_CHAR_utf8_no_length_checks(s)  \
 735                                    : _is_utf8_char_slow(s, e))
 736
 737 #define is_utf8_char_buf(buf, buf_end) isUTF8_CHAR(buf, buf_end)
 738
 739 /* Do not use; should be deprecated.  Use isUTF8_CHAR() instead; this is
 740  * retained solely for backwards compatibility */
 741 #define IS_UTF8_CHAR(p, n)      (isUTF8_CHAR(p, (p) + (n)) == n)
 742
 743 #endif /* H_UTF8 */
 744
 745 /*
 746  * ex: set ts=8 sts=4 sw=4 et:
 747  */