utf8.h

   1 /*    utf8.h
   2  *
   3  *    Copyright (c) 1998-2002, Larry Wall
   4  *
   5  *    You may distribute under the terms of either the GNU General Public
   6  *    License or the Artistic License, as specified in the README file.
   7  *
   8  */
   9
  10 /* Use UTF-8 as the default script encoding?
  11  * Turning this on will break scripts having non-UTF8 binary
  12  * data (such as Latin-1) in string literals. */
  13 #ifdef USE_UTF8_SCRIPTS
  14 #    define USE_UTF8_IN_NAMES (!IN_BYTES)
  15 #else
  16 #    define USE_UTF8_IN_NAMES (PL_hints & HINT_UTF8)
  17 #endif
  18
  19 #ifdef EBCDIC
  20 /* The equivalent of these macros but implementing UTF-EBCDIC
  21    are in the following header file:
  22  */
  23
  24 #include "utfebcdic.h"
  25 #else
  26 START_EXTERN_C
  27
  28 #ifdef DOINIT
  29 EXTCONST unsigned char PL_utf8skip[] = {
  30 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
  31 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
  32 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
  33 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
  34 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus */
  35 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus */
  36 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2, /* scripts */
  37 3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,4,4,4,4,4,4,4,4,5,5,5,5,6,6,     /* cjk etc. */
  38 7,13, /* Perl extended (not UTF-8).  Up to 72bit allowed (64-bit + reserved). */
  39 };
  40 #else
  41 EXTCONST unsigned char PL_utf8skip[];
  42 #endif
  43
  44 END_EXTERN_C
  45 #define UTF8SKIP(s) PL_utf8skip[*(U8*)s]
  46
  47 /* Native character to iso-8859-1 */
  48 #define NATIVE_TO_ASCII(ch)      (ch)
  49 #define ASCII_TO_NATIVE(ch)      (ch)
  50 /* Transform after encoding */
  51 #define NATIVE_TO_UTF(ch)        (ch)
  52 #define UTF_TO_NATIVE(ch)        (ch)
  53 /* Transforms in wide UV chars */
  54 #define UNI_TO_NATIVE(ch)        (ch)
  55 #define NATIVE_TO_UNI(ch)        (ch)
  56 /* Transforms in invariant space */
  57 #define NATIVE_TO_NEED(enc,ch)   (ch)
  58 #define ASCII_TO_NEED(enc,ch)    (ch)
  59
  60 /* As there are no translations avoid the function wrapper */
  61 #define Perl_utf8n_to_uvchr Perl_utf8n_to_uvuni
  62 #define Perl_uvchr_to_utf8  Perl_uvuni_to_utf8
  63
  64 /*
  65
  66  The following table is from Unicode 3.2.
  67
  68  Code Points            1st Byte  2nd Byte  3rd Byte  4th Byte
  69
  70    U+0000..U+007F       00..7F
  71    U+0080..U+07FF       C2..DF    80..BF
  72    U+0800..U+0FFF       E0        A0..BF    80..BF
  73    U+1000..U+CFFF       E1..EC    80..BF    80..BF
  74    U+D000..U+D7FF       ED        80..9F    80..BF
  75    U+D800..U+DFFF       ******* ill-formed *******
  76    U+E000..U+FFFF       EE..EF    80..BF    80..BF
  77   U+10000..U+3FFFF      F0        90..BF    80..BF    80..BF
  78   U+40000..U+FFFFF      F1..F3    80..BF    80..BF    80..BF
  79  U+100000..U+10FFFF     F4        80..8F    80..BF    80..BF
  80
  81 Note the A0..BF in U+0800..U+0FFF, the 80..9F in U+D000...U+D7FF,
  82 the 90..BF in U+10000..U+3FFFF, and the 80...8F in U+100000..U+10FFFF.
  83
  84  */
  85
  86 /*
  87  Another way to look at it, as bits:
  88
  89  Code Points                    1st Byte   2nd Byte  3rd Byte  4th Byte
  90
  91                     0aaaaaaa     0aaaaaaa
  92             00000bbbbbaaaaaa     110bbbbb  10aaaaaa
  93             ccccbbbbbbaaaaaa     1110cccc  10bbbbbb  10aaaaaa
  94   00000dddccccccbbbbbbaaaaaa     11110ddd  10cccccc  10bbbbbb  10aaaaaa
  95
  96 As you can see, the continuation bytes all begin with C<10>, and the
  97 leading bits of the start byte tell how many bytes the are in the
  98 encoded character.
  99
 100 */
 101
 102
 103 #define UNI_IS_INVARIANT(c)             (((UV)c) <  0x80)
 104 #define UTF8_IS_INVARIANT(c)            UNI_IS_INVARIANT(NATIVE_TO_UTF(c))
 105 #define NATIVE_IS_INVARIANT(c)          UNI_IS_INVARIANT(NATIVE_TO_ASCII(c))
 106 #define UTF8_IS_START(c)                (((U8)c) >= 0xc0 && (((U8)c) <= 0xfd))
 107 #define UTF8_IS_CONTINUATION(c)         (((U8)c) >= 0x80 && (((U8)c) <= 0xbf))
 108 #define UTF8_IS_CONTINUED(c)            (((U8)c) &  0x80)
 109 #define UTF8_IS_DOWNGRADEABLE_START(c)  (((U8)c & 0xfc) == 0xc0)
 110
 111 #define UTF_START_MARK(len) ((len >  7) ? 0xFF : (0xFE << (7-len)))
 112 #define UTF_START_MASK(len) ((len >= 7) ? 0x00 : (0x1F >> (len-2)))
 113
 114 #define UTF_CONTINUATION_MARK           0x80
 115 #define UTF_ACCUMULATION_SHIFT          6
 116 #define UTF_CONTINUATION_MASK           ((U8)0x3f)
 117 #define UTF8_ACCUMULATE(old, new)       (((old) << UTF_ACCUMULATION_SHIFT) | (((U8)new) & UTF_CONTINUATION_MASK))
 118
 119 #define UTF8_EIGHT_BIT_HI(c)    ((((U8)(c))>>UTF_ACCUMULATION_SHIFT)|UTF_START_MARK(2))
 120 #define UTF8_EIGHT_BIT_LO(c)    (((((U8)(c)))&UTF_CONTINUATION_MASK)|UTF_CONTINUATION_MARK)
 121
 122 #ifdef HAS_QUAD
 123 #define UNISKIP(uv) ( (uv) < 0x80           ? 1 : \
 124                       (uv) < 0x800          ? 2 : \
 125                       (uv) < 0x10000        ? 3 : \
 126                       (uv) < 0x200000       ? 4 : \
 127                       (uv) < 0x4000000      ? 5 : \
 128                       (uv) < 0x80000000     ? 6 : \
 129                       (uv) < UTF8_QUAD_MAX ? 7 : 13 )
 130 #else
 131 /* No, I'm not even going to *TRY* putting #ifdef inside a #define */
 132 #define UNISKIP(uv) ( (uv) < 0x80           ? 1 : \
 133                       (uv) < 0x800          ? 2 : \
 134                       (uv) < 0x10000        ? 3 : \
 135                       (uv) < 0x200000       ? 4 : \
 136                       (uv) < 0x4000000      ? 5 : \
 137                       (uv) < 0x80000000     ? 6 : 7 )
 138 #endif
 139
 140 /*
 141  * Note: we try to be careful never to call the isXXX_utf8() functions
 142  * unless we're pretty sure we've seen the beginning of a UTF-8 character
 143  * (that is, the two high bits are set).  Otherwise we risk loading in the
 144  * heavy-duty SWASHINIT and SWASHGET routines unnecessarily.
 145  */
 146 #define isIDFIRST_lazy_if(p,c) ((IN_BYTES || (!c || (*((U8*)p) < 0xc0))) \
 147                                 ? isIDFIRST(*(p)) \
 148                                 : isIDFIRST_utf8((U8*)p))
 149 #define isALNUM_lazy_if(p,c)   ((IN_BYTES || (!c || (*((U8*)p) < 0xc0))) \
 150                                 ? isALNUM(*(p)) \
 151                                 : isALNUM_utf8((U8*)p))
 152
 153
 154 #endif /* EBCDIC vs ASCII */
 155
 156 /* Rest of these are attributes of Unicode and perl's internals rather than the encoding */
 157
 158 #define isIDFIRST_lazy(p)       isIDFIRST_lazy_if(p,1)
 159 #define isALNUM_lazy(p)         isALNUM_lazy_if(p,1)
 160
 161 /* how wide can a single UTF8 encoded character become */
 162 #define UTF8_MAXLEN 13
 163 /* how wide a character can become when upper/lowercased */
 164 #define UTF8_MAXLEN_UCLC_MULT 3
 165 #define UTF8_MAXLEN_UCLC (UTF8_MAXLEN*UTF8_MAXLEN_UCLC_MULT)
 166 /* how wide a character can become when casefolded */
 167 #define UTF8_MAXLEN_FOLD_MULT 3
 168 #define UTF8_MAXLEN_FOLD (UTF8_MAXLEN*UTF8_MAXLEN_FOLD_MULT)
 169
 170 #define IN_BYTES (PL_curcop->op_private & HINT_BYTES)
 171 #define DO_UTF8(sv) (SvUTF8(sv) && !IN_BYTES)
 172
 173 #define UTF8_ALLOW_EMPTY                0x0001
 174 #define UTF8_ALLOW_CONTINUATION         0x0002
 175 #define UTF8_ALLOW_NON_CONTINUATION     0x0004
 176 #define UTF8_ALLOW_FE_FF                0x0008
 177 #define UTF8_ALLOW_SHORT                0x0010
 178 #define UTF8_ALLOW_SURROGATE            0x0020
 179 #define UTF8_ALLOW_BOM                  0x0040
 180 #define UTF8_ALLOW_FFFF                 0x0080
 181 #define UTF8_ALLOW_LONG                 0x0100
 182 #define UTF8_ALLOW_ANYUV                (UTF8_ALLOW_EMPTY|UTF8_ALLOW_FE_FF|\
 183                                          UTF8_ALLOW_SURROGATE|UTF8_ALLOW_BOM|\
 184                                          UTF8_ALLOW_FFFF|UTF8_ALLOW_LONG)
 185 #define UTF8_ALLOW_ANY                  0x00ff
 186 #define UTF8_CHECK_ONLY                 0x0200
 187
 188 #define UNICODE_SURROGATE_FIRST         0xd800
 189 #define UNICODE_SURROGATE_LAST          0xdfff
 190 #define UNICODE_REPLACEMENT             0xfffd
 191 #define UNICODE_BYTER_ORDER_MARK        0xfffe
 192 #define UNICODE_ILLEGAL                 0xffff
 193
 194 /* Though our UTF-8 encoding can go beyond this,
 195  * let's be conservative. */
 196 #define PERL_UNICODE_MAX        0x10FFFF
 197
 198 #define UNICODE_ALLOW_SURROGATE 0x0001  /* Allow UTF-16 surrogates (EVIL) */
 199 #define UNICODE_ALLOW_FDD0      0x0002  /* Allow the U+FDD0...U+FDEF */
 200 #define UNICODE_ALLOW_FFFE      0x0004  /* Allow 0xFFFE, 0x1FFFE, ... */
 201 #define UNICODE_ALLOW_FFFF      0x0008  /* Allow 0xFFFE, 0x1FFFE, ... */
 202 #define UNICODE_ALLOW_SUPER     0x0010  /* Allow past 10xFFFF */
 203 #define UNICODE_ALLOW_ANY       0xFFFF
 204
 205 #define UNICODE_IS_SURROGATE(c)         ((c) >= UNICODE_SURROGATE_FIRST && \
 206                                          (c) <= UNICODE_SURROGATE_LAST)
 207 #define UNICODE_IS_REPLACEMENT(c)       ((c) == UNICODE_REPLACEMENT)
 208 #define UNICODE_IS_BYTE_ORDER_MARK(c)   ((c) == UNICODE_BYTER_ORDER_MARK)
 209 #define UNICODE_IS_ILLEGAL(c)           ((c) == UNICODE_ILLEGAL)
 210
 211 #ifdef HAS_QUAD
 212 #    define UTF8_QUAD_MAX       UINT64_C(0x1000000000)
 213 #endif
 214
 215 #define UTF8_IS_ASCII(c) UTF8_IS_INVARIANT(c)
 216
 217 #define UNICODE_LATIN_SMALL_LETTER_SHARP_S      0x00DF
 218 #define UNICODE_GREEK_CAPITAL_LETTER_SIGMA      0x03A3
 219 #define UNICODE_GREEK_SMALL_LETTER_FINAL_SIGMA  0x03C2
 220 #define UNICODE_GREEK_SMALL_LETTER_SIGMA        0x03C3
 221
 222 #define EBCDIC_LATIN_SMALL_LETTER_SHARP_S       0x0059
 223
 224 #define UNI_DISPLAY_ISPRINT     0x0001
 225 #define UNI_DISPLAY_BACKSLASH   0x0002
 226 #define UNI_DISPLAY_QQ          (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
 227 #define UNI_DISPLAY_REGEX       (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
 228
 229 #ifdef EBCDIC
 230 #   define ANYOF_FOLD_SHARP_S(node, input, end) \
 231         (ANYOF_BITMAP_TEST(node, EBCDIC_LATIN_SMALL_LETTER_SHARP_S) && \
 232          (ANYOF_FLAGS(node) & ANYOF_UNICODE) && \
 233          (ANYOF_FLAGS(node) & ANYOF_FOLD) && \
 234          ((end) > (input) + 1) && \
 235          toLOWER((input)[0]) == 's' && \
 236          toLOWER((input)[1]) == 's')
 237 #else
 238 #   define ANYOF_FOLD_SHARP_S(node, input, end) \
 239         (ANYOF_BITMAP_TEST(node, UNICODE_LATIN_SMALL_LETTER_SHARP_S) && \
 240          (ANYOF_FLAGS(node) & ANYOF_UNICODE) && \
 241          (ANYOF_FLAGS(node) & ANYOF_FOLD) && \
 242          ((end) > (input) + 1) && \
 243          toLOWER((input)[0]) == 's' && \
 244          toLOWER((input)[1]) == 's')
 245 #endif
 246 #define SHARP_S_SKIP 2