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_utf8_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_utf8_invariant_string> is preferred.
  57
  58 =for apidoc is_invariant_string
  59
  60 This is a somewhat misleadingly-named synonym for L</is_utf8_invariant_string>.
  61 C<is_utf8_invariant_string> is preferred, as it indicates under what conditions
  62 the string is invariant.
  63
  64 =cut
  65 */
  66 #define is_ascii_string(s, len)     is_utf8_invariant_string(s, len)
  67 #define is_invariant_string(s, len) is_utf8_invariant_string(s, len)
  68
  69 #define uvchr_to_utf8(a,b)          uvchr_to_utf8_flags(a,b,0)
  70 #define uvchr_to_utf8_flags(d,uv,flags)                                        \
  71                             uvoffuni_to_utf8_flags(d,NATIVE_TO_UNI(uv),flags)
  72 #define utf8_to_uvchr_buf(s, e, lenp)                                          \
  73                      utf8n_to_uvchr(s, (U8*)(e) - (U8*)(s), lenp,              \
  74                                     ckWARN_d(WARN_UTF8) ? 0 : UTF8_ALLOW_ANY)
  75 #define utf8n_to_uvchr(s, len, lenp, flags)                                    \
  76                                 utf8n_to_uvchr_error(s, len, lenp, flags, 0)
  77
  78 #define to_uni_fold(c, p, lenp) _to_uni_fold_flags(c, p, lenp, FOLD_FLAGS_FULL)
  79
  80 #define to_utf8_fold(s, r, lenr)                                                \
  81     _to_utf8_fold_flags (s, NULL, r, lenr, FOLD_FLAGS_FULL, __FILE__, __LINE__)
  82 #define to_utf8_lower(s, r, lenr)                                               \
  83                   _to_utf8_lower_flags(s, NULL, r ,lenr, 0, __FILE__, __LINE__)
  84 #define to_utf8_upper(s, r, lenr)                                               \
  85                   _to_utf8_upper_flags(s, NULL, r, lenr, 0, __FILE__, __LINE__)
  86 #define to_utf8_title(s, r, lenr)                                               \
  87                   _to_utf8_title_flags(s, NULL, r, lenr ,0, __FILE__, __LINE__)
  88
  89 #define foldEQ_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2) \
  90                     foldEQ_utf8_flags(s1, pe1, l1, u1, s2, pe2, l2, u2, 0)
  91 #define FOLDEQ_UTF8_NOMIX_ASCII   (1 << 0)
  92 #define FOLDEQ_LOCALE             (1 << 1)
  93 #define FOLDEQ_S1_ALREADY_FOLDED  (1 << 2)
  94 #define FOLDEQ_S2_ALREADY_FOLDED  (1 << 3)
  95 #define FOLDEQ_S1_FOLDS_SANE      (1 << 4)
  96 #define FOLDEQ_S2_FOLDS_SANE      (1 << 5)
  97
  98 #define ibcmp_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2) \
  99                     cBOOL(! foldEQ_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2))
 100
 101 #ifdef EBCDIC
 102 /* The equivalent of these macros but implementing UTF-EBCDIC
 103    are in the following header file:
 104  */
 105
 106 #include "utfebcdic.h"
 107
 108 #else   /* ! EBCDIC */
 109 START_EXTERN_C
 110
 111 /* How wide can a single UTF-8 encoded character become in bytes. */
 112 /* NOTE: Strictly speaking Perl's UTF-8 should not be called UTF-8 since UTF-8
 113  * is an encoding of Unicode, and Unicode's upper limit, 0x10FFFF, can be
 114  * expressed with 4 bytes.  However, Perl thinks of UTF-8 as a way to encode
 115  * non-negative integers in a binary format, even those above Unicode */
 116 #define UTF8_MAXBYTES 13
 117
 118 #ifdef DOINIT
 119 EXTCONST unsigned char PL_utf8skip[] = {
 120 /* 0x00 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 121 /* 0x10 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 122 /* 0x20 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 123 /* 0x30 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 124 /* 0x40 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 125 /* 0x50 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 126 /* 0x60 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 127 /* 0x70 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 128 /* 0x80 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
 129 /* 0x90 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
 130 /* 0xA0 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
 131 /* 0xB0 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
 132 /* 0xC0 */ 2,2,                             /* overlong */
 133 /* 0xC2 */     2,2,2,2,2,2,2,2,2,2,2,2,2,2, /* U+0080 to U+03FF */
 134 /* 0xD0 */ 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2, /* U+0400 to U+07FF */
 135 /* 0xE0 */ 3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3, /* U+0800 to U+FFFF */
 136 /* 0xF0 */ 4,4,4,4,4,4,4,4,5,5,5,5,6,6,     /* above BMP to 2**31 - 1 */
 137            /* Perl extended (never was official UTF-8).  Up to 36 bit */
 138 /* 0xFE */                             7,
 139            /* More extended, Up to 72 bits (64-bit + reserved) */
 140 /* 0xFF */                               UTF8_MAXBYTES
 141 };
 142 #else
 143 EXTCONST unsigned char PL_utf8skip[];
 144 #endif
 145
 146 END_EXTERN_C
 147
 148 #if defined(_MSC_VER) && _MSC_VER < 1400
 149 /* older MSVC versions have a smallish macro buffer */
 150 #define PERL_SMALL_MACRO_BUFFER
 151 #endif
 152
 153 /* Native character to/from iso-8859-1.  Are the identity functions on ASCII
 154  * platforms */
 155 #ifdef PERL_SMALL_MACRO_BUFFER
 156 #define NATIVE_TO_LATIN1(ch)     ((U8)(ch))
 157 #define LATIN1_TO_NATIVE(ch)     ((U8)(ch))
 158 #else
 159 #define NATIVE_TO_LATIN1(ch)     (__ASSERT_(FITS_IN_8_BITS(ch)) ((U8) (ch)))
 160 #define LATIN1_TO_NATIVE(ch)     (__ASSERT_(FITS_IN_8_BITS(ch)) ((U8) (ch)))
 161 #endif
 162
 163 /* I8 is an intermediate version of UTF-8 used only in UTF-EBCDIC.  We thus
 164  * consider it to be identical to UTF-8 on ASCII platforms.  Strictly speaking
 165  * UTF-8 and UTF-EBCDIC are two different things, but we often conflate them
 166  * because they are 8-bit encodings that serve the same purpose in Perl, and
 167  * rarely do we need to distinguish them.  The term "NATIVE_UTF8" applies to
 168  * whichever one is applicable on the current platform */
 169 #ifdef PERL_SMALL_MACRO_BUFFER
 170 #define NATIVE_UTF8_TO_I8(ch) ((U8) (ch))
 171 #define I8_TO_NATIVE_UTF8(ch) ((U8) (ch))
 172 #else
 173 #define NATIVE_UTF8_TO_I8(ch) (__ASSERT_(FITS_IN_8_BITS(ch)) ((U8) (ch)))
 174 #define I8_TO_NATIVE_UTF8(ch) (__ASSERT_(FITS_IN_8_BITS(ch)) ((U8) (ch)))
 175 #endif
 176
 177 /* Transforms in wide UV chars */
 178 #define UNI_TO_NATIVE(ch)        ((UV) (ch))
 179 #define NATIVE_TO_UNI(ch)        ((UV) (ch))
 180
 181 /*
 182
 183  The following table is from Unicode 3.2, plus the Perl extensions for above
 184  U+10FFFF
 185
 186  Code Points            1st Byte  2nd Byte  3rd    4th     5th     6th       7th   8th-13th
 187
 188    U+0000..U+007F       00..7F
 189    U+0080..U+07FF     * C2..DF    80..BF
 190    U+0800..U+0FFF       E0      * A0..BF  80..BF
 191    U+1000..U+CFFF       E1..EC    80..BF  80..BF
 192    U+D000..U+D7FF       ED        80..9F  80..BF
 193    U+D800..U+DFFF       ED        A0..BF  80..BF  (surrogates)
 194    U+E000..U+FFFF       EE..EF    80..BF  80..BF
 195   U+10000..U+3FFFF      F0      * 90..BF  80..BF  80..BF
 196   U+40000..U+FFFFF      F1..F3    80..BF  80..BF  80..BF
 197  U+100000..U+10FFFF     F4        80..8F  80..BF  80..BF
 198     Below are above-Unicode code points
 199  U+110000..U+13FFFF     F4        90..BF  80..BF  80..BF
 200  U+110000..U+1FFFFF     F5..F7    80..BF  80..BF  80..BF
 201  U+200000..U+FFFFFF     F8      * 88..BF  80..BF  80..BF  80..BF
 202 U+1000000..U+3FFFFFF    F9..FB    80..BF  80..BF  80..BF  80..BF
 203 U+4000000..U+3FFFFFFF    FC     * 84..BF  80..BF  80..BF  80..BF  80..BF
 204 U+40000000..U+7FFFFFFF   FD       80..BF  80..BF  80..BF  80..BF  80..BF
 205 U+80000000..U+FFFFFFFFF  FE     * 82..BF  80..BF  80..BF  80..BF  80..BF    80..BF
 206 U+1000000000..           FF       80..BF  80..BF  80..BF  80..BF  80..BF  * 81..BF  80..BF
 207
 208 Note the gaps before several of the byte entries above marked by '*'.  These are
 209 caused by legal UTF-8 avoiding non-shortest encodings: it is technically
 210 possible to UTF-8-encode a single code point in different ways, but that is
 211 explicitly forbidden, and the shortest possible encoding should always be used
 212 (and that is what Perl does).  The non-shortest ones are called 'overlongs'.
 213
 214  */
 215
 216 /*
 217  Another way to look at it, as bits:
 218
 219                   Code Points      1st Byte   2nd Byte   3rd Byte   4th Byte
 220
 221                         0aaa aaaa  0aaa aaaa
 222               0000 0bbb bbaa aaaa  110b bbbb  10aa aaaa
 223               cccc bbbb bbaa aaaa  1110 cccc  10bb bbbb  10aa aaaa
 224  00 000d ddcc cccc bbbb bbaa aaaa  1111 0ddd  10cc cccc  10bb bbbb  10aa aaaa
 225
 226 As you can see, the continuation bytes all begin with C<10>, and the
 227 leading bits of the start byte tell how many bytes there are in the
 228 encoded character.
 229
 230 Perl's extended UTF-8 means we can have start bytes up through FF, though any
 231 beginning with FF yields a code point that is too large for 32-bit ASCII
 232 platforms.  FF signals to use 13 bytes for the encoded character.  This breaks
 233 the paradigm that the number of leading bits gives how many total bytes there
 234 are in the character.
 235
 236 */
 237
 238 /* Anything larger than this will overflow the word if it were converted into a UV */
 239 #if defined(UV_IS_QUAD)
 240 #   define HIGHEST_REPRESENTABLE_UTF8  "\xFF\x80\x8F\xBF\xBF\xBF\xBF\xBF\xBF\xBF\xBF\xBF\xBF"
 241 #else
 242 #   define HIGHEST_REPRESENTABLE_UTF8  "\xFE\x83\xBF\xBF\xBF\xBF\xBF"
 243 #endif
 244
 245 /* Is the representation of the Unicode code point 'cp' the same regardless of
 246  * being encoded in UTF-8 or not? */
 247 #define OFFUNI_IS_INVARIANT(cp)     isASCII(cp)
 248
 249 /*
 250 =for apidoc Am|bool|UVCHR_IS_INVARIANT|UV cp
 251
 252 Evaluates to 1 if the representation of code point C<cp> is the same whether or
 253 not it is encoded in UTF-8; otherwise evaluates to 0.  UTF-8 invariant
 254 characters can be copied as-is when converting to/from UTF-8, saving time.
 255 C<cp> is Unicode if above 255; otherwise is platform-native.
 256
 257 =cut
 258  */
 259
 260 #define UVCHR_IS_INVARIANT(cp)      OFFUNI_IS_INVARIANT(cp)
 261
 262 /* This defines the bits that are to be in the continuation bytes of a multi-byte
 263  * UTF-8 encoded character that mark it is a continuation byte. */
 264 #define UTF_CONTINUATION_MARK           0x80
 265
 266 /* Misleadingly named: is the UTF8-encoded byte 'c' part of a variant sequence
 267  * in UTF-8?  This is the inverse of UTF8_IS_INVARIANT.  The |0 makes sure this
 268  * isn't mistakenly called with a ptr argument */
 269 #define UTF8_IS_CONTINUED(c)        (((U8)((c) | 0)) &  UTF_CONTINUATION_MARK)
 270
 271 /* Is the byte 'c' the first byte of a multi-byte UTF8-8 encoded sequence?
 272  * This doesn't catch invariants (they are single-byte).  It also excludes the
 273  * illegal overlong sequences that begin with C0 and C1.  The |0 makes sure
 274  * this isn't mistakenly called with a ptr argument */
 275 #define UTF8_IS_START(c)            (((U8)((c) | 0)) >= 0xc2)
 276
 277 /* For use in UTF8_IS_CONTINUATION() below */
 278 #define UTF_IS_CONTINUATION_MASK    0xC0
 279
 280 /* Is the byte 'c' part of a multi-byte UTF8-8 encoded sequence, and not the
 281  * first byte thereof?  The |0 makes sure this isn't mistakenly called with a
 282  * ptr argument */
 283 #define UTF8_IS_CONTINUATION(c)                                             \
 284     ((((U8)((c) | 0)) & UTF_IS_CONTINUATION_MASK) == UTF_CONTINUATION_MARK)
 285
 286 /* Is the UTF8-encoded byte 'c' the first byte of a two byte sequence?  Use
 287  * UTF8_IS_NEXT_CHAR_DOWNGRADEABLE() instead if the input isn't known to
 288  * be well-formed.  Masking with 0xfe allows the low bit to be 0 or 1; thus
 289  * this matches 0xc[23].  The |0 makes sure this isn't mistakenly called with a
 290  * ptr argument */
 291 #define UTF8_IS_DOWNGRADEABLE_START(c)  ((((U8)((c) | 0)) & 0xfe) == 0xc2)
 292
 293 /* Is the UTF8-encoded byte 'c' the first byte of a sequence of bytes that
 294  * represent a code point > 255?  The |0 makes sure this isn't mistakenly
 295  * called with a ptr argument */
 296 #define UTF8_IS_ABOVE_LATIN1(c)     (((U8)((c) | 0)) >= 0xc4)
 297
 298 /* This is the number of low-order bits a continuation byte in a UTF-8 encoded
 299  * sequence contributes to the specification of the code point.  In the bit
 300  * maps above, you see that the first 2 bits are a constant '10', leaving 6 of
 301  * real information */
 302 #define UTF_ACCUMULATION_SHIFT          6
 303
 304 /* ^? is defined to be DEL on ASCII systems.  See the definition of toCTRL()
 305  * for more */
 306 #define QUESTION_MARK_CTRL  DEL_NATIVE
 307
 308 /* Surrogates, non-character code points and above-Unicode code points are
 309  * problematic in some contexts.  This allows code that needs to check for
 310  * those to to quickly exclude the vast majority of code points it will
 311  * encounter */
 312 #define isUTF8_POSSIBLY_PROBLEMATIC(c) ((U8) c >= 0xED)
 313
 314 /* A helper macro for isUTF8_CHAR, so use that one instead of this.  This was
 315  * generated by regen/regcharclass.pl, and then moved here.  Then it was
 316  * hand-edited to add some LIKELY() calls, presuming that malformations are
 317  * unlikely.  The lines that generated it were then commented out.  This was
 318  * done because it takes on the order of 10 minutes to generate, and is never
 319  * going to change, unless the generated code is improved, and figuring out
 320  * the LIKELYs there would be hard.
 321  *
 322         UTF8_CHAR: Matches legal UTF-8 variant code points up through 0x1FFFFFF
 323
 324         0x80 - 0x1FFFFF
 325 */
 326 /*** GENERATED CODE ***/
 327 #define is_UTF8_CHAR_utf8_no_length_checks(s)                               \
 328 ( ( 0xC2 <= ((const U8*)s)[0] && ((const U8*)s)[0] <= 0xDF ) ?                          \
 329     ( LIKELY( ( ((const U8*)s)[1] & 0xC0 ) == 0x80 ) ? 2 : 0 )                    \
 330 : ( 0xE0 == ((const U8*)s)[0] ) ?                                                 \
 331     ( LIKELY( ( ( ((const U8*)s)[1] & 0xE0 ) == 0xA0 ) && ( ( ((const U8*)s)[2] & 0xC0 ) == 0x80 ) ) ? 3 : 0 )\
 332 : ( 0xE1 <= ((const U8*)s)[0] && ((const U8*)s)[0] <= 0xEF ) ?                          \
 333     ( LIKELY( ( ( ((const U8*)s)[1] & 0xC0 ) == 0x80 ) && ( ( ((const U8*)s)[2] & 0xC0 ) == 0x80 ) ) ? 3 : 0 )\
 334 : ( 0xF0 == ((const U8*)s)[0] ) ?                                                 \
 335     ( LIKELY( ( ( 0x90 <= ((const U8*)s)[1] && ((const U8*)s)[1] <= 0xBF ) && ( ( ((const U8*)s)[2] & 0xC0 ) == 0x80 ) ) && ( ( ((const U8*)s)[3] & 0xC0 ) == 0x80 ) ) ? 4 : 0 )\
 336 : ( ( ( ( 0xF1 <= ((const U8*)s)[0] && ((const U8*)s)[0] <= 0xF7 ) && LIKELY( ( ((const U8*)s)[1] & 0xC0 ) == 0x80 ) ) && LIKELY( ( ((const U8*)s)[2] & 0xC0 ) == 0x80 ) ) && LIKELY( ( ((const U8*)s)[3] & 0xC0 ) == 0x80 ) ) ? 4 : 0 )
 337
 338 /* The above macro handles UTF-8 that has this start byte as the maximum */
 339 #define _IS_UTF8_CHAR_HIGHEST_START_BYTE 0xF7
 340
 341 /* A helper macro for isSTRICT_UTF8_CHAR, so use that one instead of this.
 342  * Like is_UTF8_CHAR_utf8_no_length_checks(), this was moved here and LIKELYs
 343  * added manually.
 344  *
 345         STRICT_UTF8_CHAR: Matches legal Unicode UTF-8 variant code points, no
 346                           surrrogates nor non-character code points
 347 */
 348 /*** GENERATED CODE ***/
 349 #define is_STRICT_UTF8_CHAR_utf8_no_length_checks(s)                        \
 350 ( ( 0xC2 <= ((const U8*)s)[0] && ((const U8*)s)[0] <= 0xDF ) ?                          \
 351     ( LIKELY( ( ((const U8*)s)[1] & 0xC0 ) == 0x80 ) ? 2 : 0 )                          \
 352 : ( 0xE0 == ((const U8*)s)[0] ) ?                                                 \
 353     ( LIKELY( ( ( ((const U8*)s)[1] & 0xE0 ) == 0xA0 ) && ( ( ((const U8*)s)[2] & 0xC0 ) == 0x80 ) ) ? 3 : 0 )\
 354 : ( ( 0xE1 <= ((const U8*)s)[0] && ((const U8*)s)[0] <= 0xEC ) || 0xEE == ((const U8*)s)[0] ) ?\
 355     ( ( ( ( ((const U8*)s)[1] & 0xC0 ) == 0x80 ) && ( ( ((const U8*)s)[2] & 0xC0 ) == 0x80 ) ) ? 3 : 0 )\
 356 : ( 0xED == ((const U8*)s)[0] ) ?                                                 \
 357     ( LIKELY( ( ( ((const U8*)s)[1] & 0xE0 ) == 0x80 ) && ( ( ((const U8*)s)[2] & 0xC0 ) == 0x80 ) ) ? 3 : 0 )\
 358 : ( 0xEF == ((const U8*)s)[0] ) ?                                                 \
 359     ( ( ( 0x80 <= ((const U8*)s)[1] && ((const U8*)s)[1] <= 0xB6 ) || ( 0xB8 <= ((const U8*)s)[1] && ((const U8*)s)[1] <= 0xBE ) ) ?\
 360         ( LIKELY( ( ((const U8*)s)[2] & 0xC0 ) == 0x80 ) ? 3 : 0 )                      \
 361     : ( 0xB7 == ((const U8*)s)[1] ) ?                                             \
 362         ( LIKELY( ( ((const U8*)s)[2] & 0xF0 ) == 0x80 || ( ((const U8*)s)[2] & 0xF0 ) == 0xB0 ) ? 3 : 0 )\
 363     : ( ( 0xBF == ((const U8*)s)[1] ) && ( 0x80 <= ((const U8*)s)[2] && ((const U8*)s)[2] <= 0xBD ) ) ? 3 : 0 )\
 364 : ( 0xF0 == ((const U8*)s)[0] ) ?                                                 \
 365     ( ( ( 0x90 <= ((const U8*)s)[1] && ((const U8*)s)[1] <= 0x9E ) || ( 0xA0 <= ((const U8*)s)[1] && ((const U8*)s)[1] <= 0xAE ) || ( 0xB0 <= ((const U8*)s)[1] && ((const U8*)s)[1] <= 0xBE ) ) ?\
 366         ( LIKELY( ( ( ((const U8*)s)[2] & 0xC0 ) == 0x80 ) && ( ( ((const U8*)s)[3] & 0xC0 ) == 0x80 ) ) ? 4 : 0 )\
 367     : ( ((const U8*)s)[1] == 0x9F || ( ( ((const U8*)s)[1] & 0xEF ) == 0xAF ) ) ?       \
 368         ( ( 0x80 <= ((const U8*)s)[2] && ((const U8*)s)[2] <= 0xBE ) ?                  \
 369             ( LIKELY( ( ((const U8*)s)[3] & 0xC0 ) == 0x80 ) ? 4 : 0 )                  \
 370         : LIKELY( ( 0xBF == ((const U8*)s)[2] ) && ( 0x80 <= ((const U8*)s)[3] && ((const U8*)s)[3] <= 0xBD ) ) ? 4 : 0 )\
 371     : 0 )                                                                   \
 372 : ( 0xF1 <= ((const U8*)s)[0] && ((const U8*)s)[0] <= 0xF3 ) ?                          \
 373     ( ( ( ( ((const U8*)s)[1] & 0xC8 ) == 0x80 ) || ( ( ((const U8*)s)[1] & 0xCC ) == 0x88 ) || ( ( ((const U8*)s)[1] & 0xCE ) == 0x8C ) || ( ( ((const U8*)s)[1] & 0xCF ) == 0x8E ) ) ?\
 374         ( LIKELY( ( ( ((const U8*)s)[2] & 0xC0 ) == 0x80 ) && ( ( ((const U8*)s)[3] & 0xC0 ) == 0x80 ) ) ? 4 : 0 )\
 375     : ( ( ((const U8*)s)[1] & 0xCF ) == 0x8F ) ?                                  \
 376         ( ( 0x80 <= ((const U8*)s)[2] && ((const U8*)s)[2] <= 0xBE ) ?                  \
 377             ( LIKELY( ( ((const U8*)s)[3] & 0xC0 ) == 0x80 ) ? 4 : 0 )                  \
 378         : LIKELY( ( 0xBF == ((const U8*)s)[2] ) && ( 0x80 <= ((const U8*)s)[3] && ((const U8*)s)[3] <= 0xBD ) ) ? 4 : 0 )\
 379     : 0 )                                                                   \
 380 : ( 0xF4 == ((const U8*)s)[0] ) ?                                                 \
 381     ( ( 0x80 <= ((const U8*)s)[1] && ((const U8*)s)[1] <= 0x8E ) ?                      \
 382         ( LIKELY( ( ( ((const U8*)s)[2] & 0xC0 ) == 0x80 ) && ( ( ((const U8*)s)[3] & 0xC0 ) == 0x80 ) ) ? 4 : 0 )\
 383     : ( 0x8F == ((const U8*)s)[1] ) ?                                             \
 384         ( ( 0x80 <= ((const U8*)s)[2] && ((const U8*)s)[2] <= 0xBE ) ?                  \
 385             ( LIKELY( ( ((const U8*)s)[3] & 0xC0 ) == 0x80 ) ? 4 : 0 )                  \
 386         : LIKELY( ( 0xBF == ((const U8*)s)[2] ) && ( 0x80 <= ((const U8*)s)[3] && ((const U8*)s)[3] <= 0xBD ) ) ? 4 : 0 )\
 387     : 0 )                                                                   \
 388 : 0 )
 389
 390 /*  Similarly,
 391         C9_STRICT_UTF8_CHAR: Matches legal Unicode UTF-8 variant code
 392                                      points, no surrogates
 393         0x0080 - 0xD7FF
 394         0xE000 - 0x10FFFF
 395 */
 396 /*** GENERATED CODE ***/
 397 #define is_C9_STRICT_UTF8_CHAR_utf8_no_length_checks(s)                     \
 398 ( ( 0xC2 <= ((const U8*)s)[0] && ((const U8*)s)[0] <= 0xDF ) ?                          \
 399     ( LIKELY( ( ((const U8*)s)[1] & 0xC0 ) == 0x80 ) ? 2 : 0 )                    \
 400 : ( 0xE0 == ((const U8*)s)[0] ) ?                                                 \
 401     ( LIKELY( ( ( ((const U8*)s)[1] & 0xE0 ) == 0xA0 ) && ( ( ((const U8*)s)[2] & 0xC0 ) == 0x80 ) ) ? 3 : 0 )\
 402 : ( ( 0xE1 <= ((const U8*)s)[0] && ((const U8*)s)[0] <= 0xEC ) || ( ((const U8*)s)[0] & 0xFE ) == 0xEE ) ?\
 403     ( LIKELY( ( ( ((const U8*)s)[1] & 0xC0 ) == 0x80 ) && ( ( ((const U8*)s)[2] & 0xC0 ) == 0x80 ) ) ? 3 : 0 )\
 404 : ( 0xED == ((const U8*)s)[0] ) ?                                                 \
 405     ( LIKELY( ( ( ((const U8*)s)[1] & 0xE0 ) == 0x80 ) && ( ( ((const U8*)s)[2] & 0xC0 ) == 0x80 ) ) ? 3 : 0 )\
 406 : ( 0xF0 == ((const U8*)s)[0] ) ?                                                 \
 407     ( LIKELY( ( ( 0x90 <= ((const U8*)s)[1] && ((const U8*)s)[1] <= 0xBF ) && ( ( ((const U8*)s)[2] & 0xC0 ) == 0x80 ) ) && ( ( ((const U8*)s)[3] & 0xC0 ) == 0x80 ) ) ? 4 : 0 )\
 408 : ( 0xF1 <= ((const U8*)s)[0] && ((const U8*)s)[0] <= 0xF3 ) ?                          \
 409     ( LIKELY( ( ( ( ((const U8*)s)[1] & 0xC0 ) == 0x80 ) && ( ( ((const U8*)s)[2] & 0xC0 ) == 0x80 ) ) && ( ( ((const U8*)s)[3] & 0xC0 ) == 0x80 ) ) ? 4 : 0 )\
 410 : LIKELY( ( ( ( 0xF4 == ((const U8*)s)[0] ) && ( ( ((const U8*)s)[1] & 0xF0 ) == 0x80 ) ) && ( ( ((const U8*)s)[2] & 0xC0 ) == 0x80 ) ) && ( ( ((const U8*)s)[3] & 0xC0 ) == 0x80 ) ) ? 4 : 0 )
 411
 412 #endif /* EBCDIC vs ASCII */
 413
 414 /* 2**UTF_ACCUMULATION_SHIFT - 1 */
 415 #define UTF_CONTINUATION_MASK  ((U8) ((1U << UTF_ACCUMULATION_SHIFT) - 1))
 416
 417 /* Internal macro to be used only in this file to aid in constructing other
 418  * publicly accessible macros.
 419  * The number of bytes required to express this uv in UTF-8, for just those
 420  * uv's requiring 2 through 6 bytes, as these are common to all platforms and
 421  * word sizes.  The number of bytes needed is given by the number of leading 1
 422  * bits in the start byte.  There are 32 start bytes that have 2 initial 1 bits
 423  * (C0-DF); there are 16 that have 3 initial 1 bits (E0-EF); 8 that have 4
 424  * initial 1 bits (F0-F8); 4 that have 5 initial 1 bits (F9-FB), and 2 that
 425  * have 6 initial 1 bits (FC-FD).  The largest number a string of n bytes can
 426  * represent is       (the number of possible start bytes for 'n')
 427  *                  * (the number of possiblities for each start byte
 428  * The latter in turn is
 429  *                  2  ** (  (how many continuation bytes there are)
 430  *                         * (the number of bits of information each
 431  *                            continuation byte holds))
 432  *
 433  * If we were on a platform where we could use a fast find first set bit
 434  * instruction (or count leading zeros instruction) this could be replaced by
 435  * using that to find the log2 of the uv, and divide that by the number of bits
 436  * of information in each continuation byte, adjusting for large cases and how
 437  * much information is in a start byte for that length */
 438 #define __COMMON_UNI_SKIP(uv)                                               \
 439           (UV) (uv) < (32 * (1U << (    UTF_ACCUMULATION_SHIFT))) ? 2 :     \
 440           (UV) (uv) < (16 * (1U << (2 * UTF_ACCUMULATION_SHIFT))) ? 3 :     \
 441           (UV) (uv) < ( 8 * (1U << (3 * UTF_ACCUMULATION_SHIFT))) ? 4 :     \
 442           (UV) (uv) < ( 4 * (1U << (4 * UTF_ACCUMULATION_SHIFT))) ? 5 :     \
 443           (UV) (uv) < ( 2 * (1U << (5 * UTF_ACCUMULATION_SHIFT))) ? 6 :
 444
 445 /* Internal macro to be used only in this file.
 446  * This adds to __COMMON_UNI_SKIP the details at this platform's upper range.
 447  * For any-sized EBCDIC platforms, or 64-bit ASCII ones, we need one more test
 448  * to see if just 7 bytes is needed, or if the maximum is needed.  For 32-bit
 449  * ASCII platforms, everything is representable by 7 bytes */
 450 #if defined(UV_IS_QUAD) || defined(EBCDIC)
 451 #   define __BASE_UNI_SKIP(uv) (__COMMON_UNI_SKIP(uv)                       \
 452      (UV) (uv) < ((UV) 1U << (6 * UTF_ACCUMULATION_SHIFT)) ? 7 : UTF8_MAXBYTES)
 453 #else
 454 #   define __BASE_UNI_SKIP(uv) (__COMMON_UNI_SKIP(uv) 7)
 455 #endif
 456
 457 /* The next two macros use the base macro defined above, and add in the tests
 458  * at the low-end of the range, for just 1 byte, yielding complete macros,
 459  * publicly accessible. */
 460
 461 /* Input is a true Unicode (not-native) code point */
 462 #define OFFUNISKIP(uv) (OFFUNI_IS_INVARIANT(uv) ? 1 : __BASE_UNI_SKIP(uv))
 463
 464 /*
 465
 466 =for apidoc Am|STRLEN|UVCHR_SKIP|UV cp
 467 returns the number of bytes required to represent the code point C<cp> when
 468 encoded as UTF-8.  C<cp> is a native (ASCII or EBCDIC) code point if less than
 469 255; a Unicode code point otherwise.
 470
 471 =cut
 472  */
 473 #define UVCHR_SKIP(uv) ( UVCHR_IS_INVARIANT(uv) ? 1 : __BASE_UNI_SKIP(uv))
 474
 475 /* The largest code point representable by two UTF-8 bytes on this platform.
 476  * As explained in the comments for __COMMON_UNI_SKIP, 32 start bytes with
 477  * UTF_ACCUMULATION_SHIFT bits of information each */
 478 #define MAX_UTF8_TWO_BYTE (32 * (1U << UTF_ACCUMULATION_SHIFT) - 1)
 479
 480 /* The largest code point representable by two UTF-8 bytes on any platform that
 481  * Perl runs on.  This value is constrained by EBCDIC which has 5 bits per
 482  * continuation byte */
 483 #define MAX_PORTABLE_UTF8_TWO_BYTE (32 * (1U << 5) - 1)
 484
 485 /* The maximum number of UTF-8 bytes a single Unicode character can
 486  * uppercase/lowercase/fold into.  Unicode guarantees that the maximum
 487  * expansion is UTF8_MAX_FOLD_CHAR_EXPAND characters, but any above-Unicode
 488  * code point will fold to itself, so we only have to look at the expansion of
 489  * the maximum Unicode code point.  But this number may be less than the space
 490  * occupied by a very large code point under Perl's extended UTF-8.  We have to
 491  * make it large enough to fit any single character.  (It turns out that ASCII
 492  * and EBCDIC differ in which is larger) */
 493 #define UTF8_MAXBYTES_CASE                                                      \
 494         (UTF8_MAXBYTES >= (UTF8_MAX_FOLD_CHAR_EXPAND * OFFUNISKIP(0x10FFFF))    \
 495                            ? UTF8_MAXBYTES                                      \
 496                            : (UTF8_MAX_FOLD_CHAR_EXPAND * OFFUNISKIP(0x10FFFF)))
 497
 498 /* Rest of these are attributes of Unicode and perl's internals rather than the
 499  * encoding, or happen to be the same in both ASCII and EBCDIC (at least at
 500  * this level; the macros that some of these call may have different
 501  * definitions in the two encodings */
 502
 503 /* In domain restricted to ASCII, these may make more sense to the reader than
 504  * the ones with Latin1 in the name */
 505 #define NATIVE_TO_ASCII(ch)      NATIVE_TO_LATIN1(ch)
 506 #define ASCII_TO_NATIVE(ch)      LATIN1_TO_NATIVE(ch)
 507
 508 /* More or less misleadingly-named defines, retained for back compat */
 509 #define NATIVE_TO_UTF(ch)        NATIVE_UTF8_TO_I8(ch)
 510 #define NATIVE_TO_I8(ch)         NATIVE_UTF8_TO_I8(ch)
 511 #define UTF_TO_NATIVE(ch)        I8_TO_NATIVE_UTF8(ch)
 512 #define I8_TO_NATIVE(ch)         I8_TO_NATIVE_UTF8(ch)
 513 #define NATIVE8_TO_UNI(ch)       NATIVE_TO_LATIN1(ch)
 514
 515 /* This defines the 1-bits that are to be in the first byte of a multi-byte
 516  * UTF-8 encoded character that mark it as a start byte and give the number of
 517  * bytes that comprise the character. 'len' is the number of bytes in the
 518  * multi-byte sequence. */
 519 #define UTF_START_MARK(len) (((len) >  7) ? 0xFF : (0xFF & (0xFE << (7-(len)))))
 520
 521 /* Masks out the initial one bits in a start byte, leaving the real data ones.
 522  * Doesn't work on an invariant byte.  'len' is the number of bytes in the
 523  * multi-byte sequence that comprises the character. */
 524 #define UTF_START_MASK(len) (((len) >= 7) ? 0x00 : (0x1F >> ((len)-2)))
 525
 526 /* Adds a UTF8 continuation byte 'new' of information to a running total code
 527  * point 'old' of all the continuation bytes so far.  This is designed to be
 528  * used in a loop to convert from UTF-8 to the code point represented.  Note
 529  * that this is asymmetric on EBCDIC platforms, in that the 'new' parameter is
 530  * the UTF-EBCDIC byte, whereas the 'old' parameter is a Unicode (not EBCDIC)
 531  * code point in process of being generated */
 532 #define UTF8_ACCUMULATE(old, new) (((old) << UTF_ACCUMULATION_SHIFT)           \
 533                                    | ((NATIVE_UTF8_TO_I8((U8)new))             \
 534                                        & UTF_CONTINUATION_MASK))
 535
 536 /* This works in the face of malformed UTF-8. */
 537 #define UTF8_IS_NEXT_CHAR_DOWNGRADEABLE(s, e) (UTF8_IS_DOWNGRADEABLE_START(*s) \
 538                                                && ( (e) - (s) > 1)             \
 539                                                && UTF8_IS_CONTINUATION(*((s)+1)))
 540
 541 /* Number of bytes a code point occupies in UTF-8. */
 542 #define NATIVE_SKIP(uv) UVCHR_SKIP(uv)
 543
 544 /* Most code which says UNISKIP is really thinking in terms of native code
 545  * points (0-255) plus all those beyond.  This is an imprecise term, but having
 546  * it means existing code continues to work.  For precision, use UVCHR_SKIP,
 547  * NATIVE_SKIP, or OFFUNISKIP */
 548 #define UNISKIP(uv)   UVCHR_SKIP(uv)
 549
 550 /* Longer, but more accurate name */
 551 #define UTF8_IS_ABOVE_LATIN1_START(c)     UTF8_IS_ABOVE_LATIN1(c)
 552
 553 /* Convert a UTF-8 variant Latin1 character to a native code point value.
 554  * Needs just one iteration of accumulate.  Should be used only if it is known
 555  * that the code point is < 256, and is not UTF-8 invariant.  Use the slower
 556  * but more general TWO_BYTE_UTF8_TO_NATIVE() which handles any code point
 557  * representable by two bytes (which turns out to be up through
 558  * MAX_PORTABLE_UTF8_TWO_BYTE).  The two parameters are:
 559  *  HI: a downgradable start byte;
 560  *  LO: continuation.
 561  * */
 562 #define EIGHT_BIT_UTF8_TO_NATIVE(HI, LO)                                        \
 563     ( __ASSERT_(UTF8_IS_DOWNGRADEABLE_START(HI))                                \
 564       __ASSERT_(UTF8_IS_CONTINUATION(LO))                                       \
 565      LATIN1_TO_NATIVE(UTF8_ACCUMULATE((                                         \
 566                             NATIVE_UTF8_TO_I8(HI) & UTF_START_MASK(2)), (LO))))
 567
 568 /* Convert a two (not one) byte utf8 character to a native code point value.
 569  * Needs just one iteration of accumulate.  Should not be used unless it is
 570  * known that the two bytes are legal: 1) two-byte start, and 2) continuation.
 571  * Note that the result can be larger than 255 if the input character is not
 572  * downgradable */
 573 #define TWO_BYTE_UTF8_TO_NATIVE(HI, LO) \
 574     ( __ASSERT_(PL_utf8skip[HI] == 2)                                           \
 575       __ASSERT_(UTF8_IS_CONTINUATION(LO))                                       \
 576      UNI_TO_NATIVE(UTF8_ACCUMULATE((NATIVE_UTF8_TO_I8(HI) & UTF_START_MASK(2)), \
 577                                    (LO))))
 578
 579 /* Should never be used, and be deprecated */
 580 #define TWO_BYTE_UTF8_TO_UNI(HI, LO) NATIVE_TO_UNI(TWO_BYTE_UTF8_TO_NATIVE(HI, LO))
 581
 582 /*
 583
 584 =for apidoc Am|STRLEN|UTF8SKIP|char* s
 585 returns the number of bytes in the UTF-8 encoded character whose first (perhaps
 586 only) byte is pointed to by C<s>.
 587
 588 =cut
 589  */
 590 #define UTF8SKIP(s)  PL_utf8skip[*(const U8*)(s)]
 591 #define UTF8_SKIP(s) UTF8SKIP(s)
 592
 593 /* Most code that says 'UNI_' really means the native value for code points up
 594  * through 255 */
 595 #define UNI_IS_INVARIANT(cp)   UVCHR_IS_INVARIANT(cp)
 596
 597 /*
 598 =for apidoc Am|bool|UTF8_IS_INVARIANT|char c
 599
 600 Evaluates to 1 if the byte C<c> represents the same character when encoded in
 601 UTF-8 as when not; otherwise evaluates to 0.  UTF-8 invariant characters can be
 602 copied as-is when converting to/from UTF-8, saving time.
 603
 604 In spite of the name, this macro gives the correct result if the input string
 605 from which C<c> comes is not encoded in UTF-8.
 606
 607 See C<L</UVCHR_IS_INVARIANT>> for checking if a UV is invariant.
 608
 609 =cut
 610
 611 The reason it works on both UTF-8 encoded strings and non-UTF-8 encoded, is
 612 that it returns TRUE in each for the exact same set of bit patterns.  It is
 613 valid on a subset of what UVCHR_IS_INVARIANT is valid on, so can just use that;
 614 and the compiler should optimize out anything extraneous given the
 615 implementation of the latter.  The |0 makes sure this isn't mistakenly called
 616 with a ptr argument.
 617 */
 618 #define UTF8_IS_INVARIANT(c)    UVCHR_IS_INVARIANT((c) | 0)
 619
 620 /* Like the above, but its name implies a non-UTF8 input, which as the comments
 621  * above show, doesn't matter as to its implementation */
 622 #define NATIVE_BYTE_IS_INVARIANT(c)     UVCHR_IS_INVARIANT(c)
 623
 624 /* The macros in the next 4 sets are used to generate the two utf8 or utfebcdic
 625  * bytes from an ordinal that is known to fit into exactly two (not one) bytes;
 626  * it must be less than 0x3FF to work across both encodings. */
 627
 628 /* These two are helper macros for the other three sets, and should not be used
 629  * directly anywhere else.  'translate_function' is either NATIVE_TO_LATIN1
 630  * (which works for code points up through 0xFF) or NATIVE_TO_UNI which works
 631  * for any code point */
 632 #define __BASE_TWO_BYTE_HI(c, translate_function)                               \
 633            (__ASSERT_(! UVCHR_IS_INVARIANT(c))                                  \
 634             I8_TO_NATIVE_UTF8((translate_function(c) >> UTF_ACCUMULATION_SHIFT) \
 635                               | UTF_START_MARK(2)))
 636 #define __BASE_TWO_BYTE_LO(c, translate_function)                               \
 637              (__ASSERT_(! UVCHR_IS_INVARIANT(c))                                \
 638               I8_TO_NATIVE_UTF8((translate_function(c) & UTF_CONTINUATION_MASK) \
 639                                  | UTF_CONTINUATION_MARK))
 640
 641 /* The next two macros should not be used.  They were designed to be usable as
 642  * the case label of a switch statement, but this doesn't work for EBCDIC.  Use
 643  * regen/unicode_constants.pl instead */
 644 #define UTF8_TWO_BYTE_HI_nocast(c)  __BASE_TWO_BYTE_HI(c, NATIVE_TO_UNI)
 645 #define UTF8_TWO_BYTE_LO_nocast(c)  __BASE_TWO_BYTE_LO(c, NATIVE_TO_UNI)
 646
 647 /* The next two macros are used when the source should be a single byte
 648  * character; checked for under DEBUGGING */
 649 #define UTF8_EIGHT_BIT_HI(c) (__ASSERT_(FITS_IN_8_BITS(c))                    \
 650                              ( __BASE_TWO_BYTE_HI(c, NATIVE_TO_LATIN1)))
 651 #define UTF8_EIGHT_BIT_LO(c) (__ASSERT_(FITS_IN_8_BITS(c))                    \
 652                              (__BASE_TWO_BYTE_LO(c, NATIVE_TO_LATIN1)))
 653
 654 /* These final two macros in the series are used when the source can be any
 655  * code point whose UTF-8 is known to occupy 2 bytes; they are less efficient
 656  * than the EIGHT_BIT versions on EBCDIC platforms.  We use the logical '~'
 657  * operator instead of "<=" to avoid getting compiler warnings.
 658  * MAX_UTF8_TWO_BYTE should be exactly all one bits in the lower few
 659  * places, so the ~ works */
 660 #define UTF8_TWO_BYTE_HI(c)                                                    \
 661        (__ASSERT_((sizeof(c) ==  1)                                            \
 662                   || !(((WIDEST_UTYPE)(c)) & ~MAX_UTF8_TWO_BYTE))              \
 663         (__BASE_TWO_BYTE_HI(c, NATIVE_TO_UNI)))
 664 #define UTF8_TWO_BYTE_LO(c)                                                    \
 665        (__ASSERT_((sizeof(c) ==  1)                                            \
 666                   || !(((WIDEST_UTYPE)(c)) & ~MAX_UTF8_TWO_BYTE))              \
 667         (__BASE_TWO_BYTE_LO(c, NATIVE_TO_UNI)))
 668
 669 /* This is illegal in any well-formed UTF-8 in both EBCDIC and ASCII
 670  * as it is only in overlongs. */
 671 #define ILLEGAL_UTF8_BYTE   I8_TO_NATIVE_UTF8(0xC1)
 672
 673 /*
 674  * 'UTF' is whether or not p is encoded in UTF8.  The names 'foo_lazy_if' stem
 675  * from an earlier version of these macros in which they didn't call the
 676  * foo_utf8() macros (i.e. were 'lazy') unless they decided that *p is the
 677  * beginning of a utf8 character.  Now that foo_utf8() determines that itself,
 678  * no need to do it again here
 679  */
 680 #define isIDFIRST_lazy_if(p,UTF)                                            \
 681             _is_utf8_FOO(_CC_IDFIRST, (const U8 *) p, "isIDFIRST_lazy_if",  \
 682                          "isIDFIRST_lazy_if_safe",                          \
 683                          cBOOL(UTF && ! IN_BYTES), 0, __FILE__,__LINE__)
 684
 685 #define isIDFIRST_lazy_if_safe(p, e, UTF)                                   \
 686                    ((IN_BYTES || !UTF)                                      \
 687                      ? isIDFIRST(*(p))                                      \
 688                      : isIDFIRST_utf8_safe(p, e))
 689
 690 #define isWORDCHAR_lazy_if(p,UTF)                                           \
 691             _is_utf8_FOO(_CC_IDFIRST, (const U8 *) p, "isWORDCHAR_lazy_if", \
 692                          "isWORDCHAR_lazy_if_safe",                         \
 693                          cBOOL(UTF && ! IN_BYTES), 0, __FILE__,__LINE__)
 694
 695 #define isWORDCHAR_lazy_if_safe(p, e, UTF)                                  \
 696                    ((IN_BYTES || !UTF)                                      \
 697                      ? isWORDCHAR(*(p))                                     \
 698                      : isWORDCHAR_utf8_safe((U8 *) p, (U8 *) e))
 699
 700 #define isALNUM_lazy_if(p,UTF)                                              \
 701             _is_utf8_FOO(_CC_IDFIRST, (const U8 *) p, "isALNUM_lazy_if",    \
 702                          "isWORDCHAR_lazy_if_safe",                         \
 703                          cBOOL(UTF && ! IN_BYTES), 0, __FILE__,__LINE__)
 704
 705 #define UTF8_MAXLEN UTF8_MAXBYTES
 706
 707 /* A Unicode character can fold to up to 3 characters */
 708 #define UTF8_MAX_FOLD_CHAR_EXPAND 3
 709
 710 #define IN_BYTES (CopHINTS_get(PL_curcop) & HINT_BYTES)
 711
 712 /*
 713
 714 =for apidoc Am|bool|DO_UTF8|SV* sv
 715 Returns a bool giving whether or not the PV in C<sv> is to be treated as being
 716 encoded in UTF-8.
 717
 718 You should use this I<after> a call to C<SvPV()> or one of its variants, in
 719 case any call to string overloading updates the internal UTF-8 encoding flag.
 720
 721 =cut
 722 */
 723 #define DO_UTF8(sv) (SvUTF8(sv) && !IN_BYTES)
 724
 725 /* Should all strings be treated as Unicode, and not just UTF-8 encoded ones?
 726  * Is so within 'feature unicode_strings' or 'locale :not_characters', and not
 727  * within 'use bytes'.  UTF-8 locales are not tested for here, but perhaps
 728  * could be */
 729 #define IN_UNI_8_BIT                                                             \
 730             (((CopHINTS_get(PL_curcop) & (HINT_UNI_8_BIT))                       \
 731                || (CopHINTS_get(PL_curcop) & HINT_LOCALE_PARTIAL                 \
 732                    /* -1 below is for :not_characters */                         \
 733                    && _is_in_locale_category(FALSE, -1)))                        \
 734               && ! IN_BYTES)
 735
 736
 737 #define UTF8_ALLOW_EMPTY                0x0001  /* Allow a zero length string */
 738 #define UTF8_GOT_EMPTY                  UTF8_ALLOW_EMPTY
 739
 740 /* Allow first byte to be a continuation byte */
 741 #define UTF8_ALLOW_CONTINUATION         0x0002
 742 #define UTF8_GOT_CONTINUATION           UTF8_ALLOW_CONTINUATION
 743
 744 /* Unexpected continuation byte */
 745 #define UTF8_ALLOW_NON_CONTINUATION     0x0004
 746 #define UTF8_GOT_NON_CONTINUATION       UTF8_ALLOW_NON_CONTINUATION
 747
 748 /* expecting more bytes than were available in the string */
 749 #define UTF8_ALLOW_SHORT                0x0008
 750 #define UTF8_GOT_SHORT                  UTF8_ALLOW_SHORT
 751
 752 /* Overlong sequence; i.e., the code point can be specified in fewer bytes.
 753  * First one will convert the overlong to the REPLACEMENT CHARACTER; second
 754  * will return what the overlong evaluates to */
 755 #define UTF8_ALLOW_LONG                 0x0010
 756 #define UTF8_ALLOW_LONG_AND_ITS_VALUE   (UTF8_ALLOW_LONG|0x0020)
 757 #define UTF8_GOT_LONG                   UTF8_ALLOW_LONG
 758
 759 #define UTF8_ALLOW_OVERFLOW             0x0080
 760 #define UTF8_GOT_OVERFLOW               UTF8_ALLOW_OVERFLOW
 761
 762 #define UTF8_DISALLOW_SURROGATE         0x0100  /* Unicode surrogates */
 763 #define UTF8_GOT_SURROGATE              UTF8_DISALLOW_SURROGATE
 764 #define UTF8_WARN_SURROGATE             0x0200
 765
 766 #define UTF8_DISALLOW_NONCHAR           0x0400  /* Unicode non-character */
 767 #define UTF8_GOT_NONCHAR                UTF8_DISALLOW_NONCHAR
 768 #define UTF8_WARN_NONCHAR               0x0800  /*  code points */
 769
 770 #define UTF8_DISALLOW_SUPER             0x1000  /* Super-set of Unicode: code */
 771 #define UTF8_GOT_SUPER                  UTF8_DISALLOW_SUPER
 772 #define UTF8_WARN_SUPER                 0x2000  /* points above the legal max */
 773
 774 /* Code points which never were part of the original UTF-8 standard, which only
 775  * went up to 2 ** 31 - 1.  Note that these all overflow a signed 32-bit word,
 776  * The first byte of these code points is FE or FF on ASCII platforms.  If the
 777  * first byte is FF, it will overflow a 32-bit word. */
 778 #define UTF8_DISALLOW_ABOVE_31_BIT      0x4000
 779 #define UTF8_GOT_ABOVE_31_BIT           UTF8_DISALLOW_ABOVE_31_BIT
 780 #define UTF8_WARN_ABOVE_31_BIT          0x8000
 781
 782 /* For back compat, these old names are misleading for UTF_EBCDIC */
 783 #define UTF8_DISALLOW_FE_FF             UTF8_DISALLOW_ABOVE_31_BIT
 784 #define UTF8_WARN_FE_FF                 UTF8_WARN_ABOVE_31_BIT
 785
 786 #define UTF8_CHECK_ONLY                 0x10000
 787 #define _UTF8_NO_CONFIDENCE_IN_CURLEN   0x20000  /* Internal core use only */
 788
 789 /* For backwards source compatibility.  They do nothing, as the default now
 790  * includes what they used to mean.  The first one's meaning was to allow the
 791  * just the single non-character 0xFFFF */
 792 #define UTF8_ALLOW_FFFF 0
 793 #define UTF8_ALLOW_SURROGATE 0
 794
 795 /* C9 refers to Unicode Corrigendum #9: allows but discourages non-chars */
 796 #define UTF8_DISALLOW_ILLEGAL_C9_INTERCHANGE                                    \
 797                                  (UTF8_DISALLOW_SUPER|UTF8_DISALLOW_SURROGATE)
 798 #define UTF8_WARN_ILLEGAL_C9_INTERCHANGE (UTF8_WARN_SUPER|UTF8_WARN_SURROGATE)
 799
 800 #define UTF8_DISALLOW_ILLEGAL_INTERCHANGE                                       \
 801                   (UTF8_DISALLOW_ILLEGAL_C9_INTERCHANGE|UTF8_DISALLOW_NONCHAR)
 802 #define UTF8_WARN_ILLEGAL_INTERCHANGE \
 803                           (UTF8_WARN_ILLEGAL_C9_INTERCHANGE|UTF8_WARN_NONCHAR)
 804
 805 /* This is used typically for code that is willing to accept inputs of
 806  * illformed UTF-8 sequences, for whatever reason.  However, all such sequences
 807  * evaluate to the REPLACEMENT CHARACTER unless other flags overriding this are
 808  * also present. */
 809 #define UTF8_ALLOW_ANY ( UTF8_ALLOW_CONTINUATION                                \
 810                         |UTF8_ALLOW_NON_CONTINUATION                            \
 811                         |UTF8_ALLOW_SHORT                                       \
 812                         |UTF8_ALLOW_LONG                                        \
 813                         |UTF8_ALLOW_OVERFLOW)
 814
 815 /* Accept any Perl-extended UTF-8 that evaluates to any UV on the platform, but
 816  * not any malformed.  This is the default.  (Note that UVs above IV_MAX are
 817  * deprecated. */
 818 #define UTF8_ALLOW_ANYUV   0
 819 #define UTF8_ALLOW_DEFAULT UTF8_ALLOW_ANYUV
 820
 821 /*
 822 =for apidoc Am|bool|UTF8_IS_SURROGATE|const U8 *s|const U8 *e
 823
 824 Evaluates to non-zero if the first few bytes of the string starting at C<s> and
 825 looking no further than S<C<e - 1>> are well-formed UTF-8 that represents one
 826 of the Unicode surrogate code points; otherwise it evaluates to 0.  If
 827 non-zero, the value gives how many bytes starting at C<s> comprise the code
 828 point's representation.
 829
 830 =cut
 831  */
 832 #define UTF8_IS_SURROGATE(s, e)      is_SURROGATE_utf8_safe(s, e)
 833
 834
 835 #define UTF8_IS_REPLACEMENT(s, send) is_REPLACEMENT_utf8_safe(s,send)
 836
 837 /*
 838 =for apidoc Am|bool|UTF8_IS_SUPER|const U8 *s|const U8 *e
 839
 840 Recall that Perl recognizes an extension to UTF-8 that can encode code
 841 points larger than the ones defined by Unicode, which are 0..0x10FFFF.
 842
 843 This macro evaluates to non-zero if the first few bytes of the string starting
 844 at C<s> and looking no further than S<C<e - 1>> are from this UTF-8 extension;
 845 otherwise it evaluates to 0.  If non-zero, the value gives how many bytes
 846 starting at C<s> comprise the code point's representation.
 847
 848 0 is returned if the bytes are not well-formed extended UTF-8, or if they
 849 represent a code point that cannot fit in a UV on the current platform.  Hence
 850 this macro can give different results when run on a 64-bit word machine than on
 851 one with a 32-bit word size.
 852
 853 Note that it is deprecated to have code points that are larger than what can
 854 fit in an IV on the current machine.
 855
 856 =cut
 857
 858  *                ASCII              EBCDIC I8
 859  * U+10FFFF: \xF4\x8F\xBF\xBF   \xF9\xA1\xBF\xBF\xBF    max legal Unicode
 860  * U+110000: \xF4\x90\x80\x80   \xF9\xA2\xA0\xA0\xA0
 861  * U+110001: \xF4\x90\x80\x81   \xF9\xA2\xA0\xA0\xA1
 862  */
 863 #ifdef EBCDIC
 864 #   define UTF8_IS_SUPER(s, e)                                              \
 865                   ((    LIKELY((e) > (s) + 4)                               \
 866                     &&      NATIVE_UTF8_TO_I8(*(s)) >= 0xF9                 \
 867                     && (    NATIVE_UTF8_TO_I8(*(s)) >  0xF9                 \
 868                         || (NATIVE_UTF8_TO_I8(*((s) + 1)) >= 0xA2))         \
 869                     &&  LIKELY((s) + UTF8SKIP(s) <= (e)))                   \
 870                     ? _is_utf8_char_helper(s, s + UTF8SKIP(s), 0) : 0)
 871 #else
 872 #   define UTF8_IS_SUPER(s, e)                                              \
 873                    ((    LIKELY((e) > (s) + 3)                              \
 874                      &&  (*(U8*) (s)) >= 0xF4                               \
 875                      && ((*(U8*) (s)) >  0xF4 || (*((U8*) (s) + 1) >= 0x90))\
 876                      &&  LIKELY((s) + UTF8SKIP(s) <= (e)))                  \
 877                     ? _is_utf8_char_helper(s, s + UTF8SKIP(s), 0) : 0)
 878 #endif
 879
 880 /* These are now machine generated, and the 'given' clause is no longer
 881  * applicable */
 882 #define UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_PROBLEMATIC(s, e)          \
 883                                             cBOOL(is_NONCHAR_utf8_safe(s,e))
 884
 885 /*
 886 =for apidoc Am|bool|UTF8_IS_NONCHAR|const U8 *s|const U8 *e
 887
 888 Evaluates to non-zero if the first few bytes of the string starting at C<s> and
 889 looking no further than S<C<e - 1>> are well-formed UTF-8 that represents one
 890 of the Unicode non-character code points; otherwise it evaluates to 0.  If
 891 non-zero, the value gives how many bytes starting at C<s> comprise the code
 892 point's representation.
 893
 894 =cut
 895  */
 896 #define UTF8_IS_NONCHAR(s, e)                                                  \
 897                 UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_PROBLEMATIC(s, e)
 898
 899 #define UNICODE_SURROGATE_FIRST         0xD800
 900 #define UNICODE_SURROGATE_LAST          0xDFFF
 901 #define UNICODE_REPLACEMENT             0xFFFD
 902 #define UNICODE_BYTE_ORDER_MARK         0xFEFF
 903
 904 /* Though our UTF-8 encoding can go beyond this,
 905  * let's be conservative and do as Unicode says. */
 906 #define PERL_UNICODE_MAX        0x10FFFF
 907
 908 #define UNICODE_WARN_SURROGATE        0x0001    /* UTF-16 surrogates */
 909 #define UNICODE_WARN_NONCHAR          0x0002    /* Non-char code points */
 910 #define UNICODE_WARN_SUPER            0x0004    /* Above 0x10FFFF */
 911 #define UNICODE_WARN_ABOVE_31_BIT     0x0008    /* Above 0x7FFF_FFFF */
 912 #define UNICODE_DISALLOW_SURROGATE    0x0010
 913 #define UNICODE_DISALLOW_NONCHAR      0x0020
 914 #define UNICODE_DISALLOW_SUPER        0x0040
 915 #define UNICODE_DISALLOW_ABOVE_31_BIT 0x0080
 916 #define UNICODE_WARN_ILLEGAL_C9_INTERCHANGE                                   \
 917                                   (UNICODE_WARN_SURROGATE|UNICODE_WARN_SUPER)
 918 #define UNICODE_WARN_ILLEGAL_INTERCHANGE                                      \
 919                    (UNICODE_WARN_ILLEGAL_C9_INTERCHANGE|UNICODE_WARN_NONCHAR)
 920 #define UNICODE_DISALLOW_ILLEGAL_C9_INTERCHANGE                               \
 921                           (UNICODE_DISALLOW_SURROGATE|UNICODE_DISALLOW_SUPER)
 922 #define UNICODE_DISALLOW_ILLEGAL_INTERCHANGE                                  \
 923            (UNICODE_DISALLOW_ILLEGAL_C9_INTERCHANGE|UNICODE_DISALLOW_NONCHAR)
 924
 925 /* For backward source compatibility, as are now the default */
 926 #define UNICODE_ALLOW_SURROGATE 0
 927 #define UNICODE_ALLOW_SUPER     0
 928 #define UNICODE_ALLOW_ANY       0
 929
 930 /* This matches the 2048 code points between UNICODE_SURROGATE_FIRST (0xD800) and
 931  * UNICODE_SURROGATE_LAST (0xDFFF) */
 932 #define UNICODE_IS_SURROGATE(uv)        (((UV) (uv) & (~0xFFFF | 0xF800))       \
 933                                                                     == 0xD800)
 934
 935 #define UNICODE_IS_REPLACEMENT(uv)      ((UV) (uv) == UNICODE_REPLACEMENT)
 936 #define UNICODE_IS_BYTE_ORDER_MARK(uv)  ((UV) (uv) == UNICODE_BYTE_ORDER_MARK)
 937
 938 /* Is 'uv' one of the 32 contiguous-range noncharacters? */
 939 #define UNICODE_IS_32_CONTIGUOUS_NONCHARS(uv)      ((UV) (uv) >= 0xFDD0         \
 940                                                  && (UV) (uv) <= 0xFDEF)
 941
 942 /* Is 'uv' one of the 34 plane-ending noncharacters 0xFFFE, 0xFFFF, 0x1FFFE,
 943  * 0x1FFFF, ... 0x10FFFE, 0x10FFFF, given that we know that 'uv' is not above
 944  * the Unicode legal max */
 945 #define UNICODE_IS_END_PLANE_NONCHAR_GIVEN_NOT_SUPER(uv)                        \
 946                                               (((UV) (uv) & 0xFFFE) == 0xFFFE)
 947
 948 #define UNICODE_IS_NONCHAR(uv)                                                  \
 949     (   UNICODE_IS_32_CONTIGUOUS_NONCHARS(uv)                                   \
 950      || (   LIKELY( ! UNICODE_IS_SUPER(uv))                                     \
 951          && UNICODE_IS_END_PLANE_NONCHAR_GIVEN_NOT_SUPER(uv)))
 952
 953 #define UNICODE_IS_SUPER(uv)    ((UV) (uv) > PERL_UNICODE_MAX)
 954 #define UNICODE_IS_ABOVE_31_BIT(uv)    ((UV) (uv) > 0x7FFFFFFF)
 955
 956 #define LATIN_SMALL_LETTER_SHARP_S      LATIN_SMALL_LETTER_SHARP_S_NATIVE
 957 #define LATIN_SMALL_LETTER_Y_WITH_DIAERESIS                                  \
 958                                 LATIN_SMALL_LETTER_Y_WITH_DIAERESIS_NATIVE
 959 #define MICRO_SIGN      MICRO_SIGN_NATIVE
 960 #define LATIN_CAPITAL_LETTER_A_WITH_RING_ABOVE                               \
 961                             LATIN_CAPITAL_LETTER_A_WITH_RING_ABOVE_NATIVE
 962 #define LATIN_SMALL_LETTER_A_WITH_RING_ABOVE                                 \
 963                                 LATIN_SMALL_LETTER_A_WITH_RING_ABOVE_NATIVE
 964 #define UNICODE_GREEK_CAPITAL_LETTER_SIGMA      0x03A3
 965 #define UNICODE_GREEK_SMALL_LETTER_FINAL_SIGMA  0x03C2
 966 #define UNICODE_GREEK_SMALL_LETTER_SIGMA        0x03C3
 967 #define GREEK_SMALL_LETTER_MU                   0x03BC
 968 #define GREEK_CAPITAL_LETTER_MU                 0x039C  /* Upper and title case
 969                                                            of MICRON */
 970 #define LATIN_CAPITAL_LETTER_Y_WITH_DIAERESIS   0x0178  /* Also is title case */
 971 #ifdef LATIN_CAPITAL_LETTER_SHARP_S_UTF8
 972 #   define LATIN_CAPITAL_LETTER_SHARP_S         0x1E9E
 973 #endif
 974 #define LATIN_CAPITAL_LETTER_I_WITH_DOT_ABOVE   0x130
 975 #define LATIN_SMALL_LETTER_DOTLESS_I            0x131
 976 #define LATIN_SMALL_LETTER_LONG_S               0x017F
 977 #define LATIN_SMALL_LIGATURE_LONG_S_T           0xFB05
 978 #define LATIN_SMALL_LIGATURE_ST                 0xFB06
 979 #define KELVIN_SIGN                             0x212A
 980 #define ANGSTROM_SIGN                           0x212B
 981
 982 #define UNI_DISPLAY_ISPRINT     0x0001
 983 #define UNI_DISPLAY_BACKSLASH   0x0002
 984 #define UNI_DISPLAY_QQ          (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
 985 #define UNI_DISPLAY_REGEX       (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
 986
 987 #define ANYOF_FOLD_SHARP_S(node, input, end)    \
 988         (ANYOF_BITMAP_TEST(node, LATIN_SMALL_LETTER_SHARP_S) && \
 989          (ANYOF_NONBITMAP(node)) && \
 990          (ANYOF_FLAGS(node) & ANYOF_LOC_NONBITMAP_FOLD) && \
 991          ((end) > (input) + 1) && \
 992          isALPHA_FOLD_EQ((input)[0], 's'))
 993
 994 #define SHARP_S_SKIP 2
 995
 996 /*
 997
 998 =for apidoc Am|STRLEN|isUTF8_CHAR|const U8 *s|const U8 *e
 999
1000 Evaluates to non-zero if the first few bytes of the string starting at C<s> and
1001 looking no further than S<C<e - 1>> are well-formed UTF-8, as extended by Perl,
1002 that represents some code point; otherwise it evaluates to 0.  If non-zero, the
1003 value gives how many bytes starting at C<s> comprise the code point's
1004 representation.  Any bytes remaining before C<e>, but beyond the ones needed to
1005 form the first code point in C<s>, are not examined.
1006
1007 The code point can be any that will fit in a UV on this machine, using Perl's
1008 extension to official UTF-8 to represent those higher than the Unicode maximum
1009 of 0x10FFFF.  That means that this macro is used to efficiently decide if the
1010 next few bytes in C<s> is legal UTF-8 for a single character.
1011
1012 Use C<L</isSTRICT_UTF8_CHAR>> to restrict the acceptable code points to those
1013 defined by Unicode to be fully interchangeable across applications;
1014 C<L</isC9_STRICT_UTF8_CHAR>> to use the L<Unicode Corrigendum
1015 #9|http://www.unicode.org/versions/corrigendum9.html> definition of allowable
1016 code points; and C<L</isUTF8_CHAR_flags>> for a more customized definition.
1017
1018 Use C<L</is_utf8_string>>, C<L</is_utf8_string_loc>>, and
1019 C<L</is_utf8_string_loclen>> to check entire strings.
1020
1021 Note that it is deprecated to use code points higher than what will fit in an
1022 IV.  This macro does not raise any warnings for such code points, treating them
1023 as valid.
1024
1025 Note also that a UTF-8 INVARIANT character (i.e. ASCII on non-EBCDIC machines)
1026 is a valid UTF-8 character.
1027
1028 =cut
1029 */
1030
1031 #define isUTF8_CHAR(s, e)                                                   \
1032     (UNLIKELY((e) <= (s))                                                   \
1033     ? 0                                                                     \
1034     : (UTF8_IS_INVARIANT(*s))                                               \
1035       ? 1                                                                   \
1036       : UNLIKELY(((e) - (s)) < UTF8SKIP(s))                                 \
1037         ? 0                                                                 \
1038         : LIKELY(NATIVE_UTF8_TO_I8(*s) <= _IS_UTF8_CHAR_HIGHEST_START_BYTE) \
1039           ? is_UTF8_CHAR_utf8_no_length_checks(s)                           \
1040           : _is_utf8_char_helper(s, e, 0))
1041
1042 #define is_utf8_char_buf(buf, buf_end) isUTF8_CHAR(buf, buf_end)
1043
1044 /*
1045
1046 =for apidoc Am|STRLEN|isSTRICT_UTF8_CHAR|const U8 *s|const U8 *e
1047
1048 Evaluates to non-zero if the first few bytes of the string starting at C<s> and
1049 looking no further than S<C<e - 1>> are well-formed UTF-8 that represents some
1050 Unicode code point completely acceptable for open interchange between all
1051 applications; otherwise it evaluates to 0.  If non-zero, the value gives how
1052 many bytes starting at C<s> comprise the code point's representation.  Any
1053 bytes remaining before C<e>, but beyond the ones needed to form the first code
1054 point in C<s>, are not examined.
1055
1056 The largest acceptable code point is the Unicode maximum 0x10FFFF, and must not
1057 be a surrogate nor a non-character code point.  Thus this excludes any code
1058 point from Perl's extended UTF-8.
1059
1060 This is used to efficiently decide if the next few bytes in C<s> is
1061 legal Unicode-acceptable UTF-8 for a single character.
1062
1063 Use C<L</isC9_STRICT_UTF8_CHAR>> to use the L<Unicode Corrigendum
1064 #9|http://www.unicode.org/versions/corrigendum9.html> definition of allowable
1065 code points; C<L</isUTF8_CHAR>> to check for Perl's extended UTF-8;
1066 and C<L</isUTF8_CHAR_flags>> for a more customized definition.
1067
1068 Use C<L</is_strict_utf8_string>>, C<L</is_strict_utf8_string_loc>>, and
1069 C<L</is_strict_utf8_string_loclen>> to check entire strings.
1070
1071 =cut
1072 */
1073
1074 #define isSTRICT_UTF8_CHAR(s, e)                                            \
1075     (UNLIKELY((e) <= (s))                                                   \
1076     ? 0                                                                     \
1077     : (UTF8_IS_INVARIANT(*s))                                               \
1078       ? 1                                                                   \
1079       : UNLIKELY(((e) - (s)) < UTF8SKIP(s))                                 \
1080         ? 0                                                                 \
1081         : is_STRICT_UTF8_CHAR_utf8_no_length_checks(s))
1082
1083 /*
1084
1085 =for apidoc Am|STRLEN|isC9_STRICT_UTF8_CHAR|const U8 *s|const U8 *e
1086
1087 Evaluates to non-zero if the first few bytes of the string starting at C<s> and
1088 looking no further than S<C<e - 1>> are well-formed UTF-8 that represents some
1089 Unicode non-surrogate code point; otherwise it evaluates to 0.  If non-zero,
1090 the value gives how many bytes starting at C<s> comprise the code point's
1091 representation.  Any bytes remaining before C<e>, but beyond the ones needed to
1092 form the first code point in C<s>, are not examined.
1093
1094 The largest acceptable code point is the Unicode maximum 0x10FFFF.  This
1095 differs from C<L</isSTRICT_UTF8_CHAR>> only in that it accepts non-character
1096 code points.  This corresponds to
1097 L<Unicode Corrigendum #9|http://www.unicode.org/versions/corrigendum9.html>.
1098 which said that non-character code points are merely discouraged rather than
1099 completely forbidden in open interchange.  See
1100 L<perlunicode/Noncharacter code points>.
1101
1102 Use C<L</isUTF8_CHAR>> to check for Perl's extended UTF-8; and
1103 C<L</isUTF8_CHAR_flags>> for a more customized definition.
1104
1105 Use C<L</is_c9strict_utf8_string>>, C<L</is_c9strict_utf8_string_loc>>, and
1106 C<L</is_c9strict_utf8_string_loclen>> to check entire strings.
1107
1108 =cut
1109 */
1110
1111 #define isC9_STRICT_UTF8_CHAR(s, e)                                         \
1112     (UNLIKELY((e) <= (s))                                                   \
1113     ? 0                                                                     \
1114     : (UTF8_IS_INVARIANT(*s))                                               \
1115       ? 1                                                                   \
1116       : UNLIKELY(((e) - (s)) < UTF8SKIP(s))                                 \
1117         ? 0                                                                 \
1118         : is_C9_STRICT_UTF8_CHAR_utf8_no_length_checks(s))
1119
1120 /*
1121
1122 =for apidoc Am|STRLEN|isUTF8_CHAR_flags|const U8 *s|const U8 *e| const U32 flags
1123
1124 Evaluates to non-zero if the first few bytes of the string starting at C<s> and
1125 looking no further than S<C<e - 1>> are well-formed UTF-8, as extended by Perl,
1126 that represents some code point, subject to the restrictions given by C<flags>;
1127 otherwise it evaluates to 0.  If non-zero, the value gives how many bytes
1128 starting at C<s> comprise the code point's representation.  Any bytes remaining
1129 before C<e>, but beyond the ones needed to form the first code point in C<s>,
1130 are not examined.
1131
1132 If C<flags> is 0, this gives the same results as C<L</isUTF8_CHAR>>;
1133 if C<flags> is C<UTF8_DISALLOW_ILLEGAL_INTERCHANGE>, this gives the same results
1134 as C<L</isSTRICT_UTF8_CHAR>>;
1135 and if C<flags> is C<UTF8_DISALLOW_ILLEGAL_C9_INTERCHANGE>, this gives
1136 the same results as C<L</isC9_STRICT_UTF8_CHAR>>.
1137 Otherwise C<flags> may be any combination of the C<UTF8_DISALLOW_I<foo>> flags
1138 understood by C<L</utf8n_to_uvchr>>, with the same meanings.
1139
1140 The three alternative macros are for the most commonly needed validations; they
1141 are likely to run somewhat faster than this more general one, as they can be
1142 inlined into your code.
1143
1144 Use L</is_utf8_string_flags>, L</is_utf8_string_loc_flags>, and
1145 L</is_utf8_string_loclen_flags> to check entire strings.
1146
1147 =cut
1148 */
1149
1150 #define isUTF8_CHAR_flags(s, e, flags)                                      \
1151     (UNLIKELY((e) <= (s))                                                   \
1152     ? 0                                                                     \
1153     : (UTF8_IS_INVARIANT(*s))                                               \
1154       ? 1                                                                   \
1155       : UNLIKELY(((e) - (s)) < UTF8SKIP(s))                                 \
1156         ? 0                                                                 \
1157         : _is_utf8_char_helper(s, e, flags))
1158
1159 /* Do not use; should be deprecated.  Use isUTF8_CHAR() instead; this is
1160  * retained solely for backwards compatibility */
1161 #define IS_UTF8_CHAR(p, n)      (isUTF8_CHAR(p, (p) + (n)) == n)
1162
1163 #endif /* H_UTF8 */
1164
1165 /*
1166  * ex: set ts=8 sts=4 sw=4 et:
1167  */