utf8.h

   1 /*    utf8.h
   2  *
   3  *    Copyright (C) 2000, 2001, 2002, 2005, 2006, 2007, 2009 by Larry Wall and others
   4  *
   5  *    You may distribute under the terms of either the GNU General Public
   6  *    License or the Artistic License, as specified in the README file.
   7  *
   8  */
   9
  10 /* Use UTF-8 as the default script encoding?
  11  * Turning this on will break scripts having non-UTF-8 binary
  12  * data (such as Latin-1) in string literals. */
  13 #ifdef USE_UTF8_SCRIPTS
  14 #    define USE_UTF8_IN_NAMES (!IN_BYTES)
  15 #else
  16 #    define USE_UTF8_IN_NAMES (PL_hints & HINT_UTF8)
  17 #endif
  18
  19 #define to_uni_fold(c, p, lenp) _to_uni_fold_flags(c, p, lenp, 1)
  20 #define to_utf8_fold(c, p, lenp) _to_utf8_fold_flags(c, p, lenp, 1)
  21
  22 /* Source backward compatibility. */
  23 #define uvuni_to_utf8(d, uv)            uvuni_to_utf8_flags(d, uv, 0)
  24 #define is_utf8_string_loc(s, len, ep)  is_utf8_string_loclen(s, len, ep, 0)
  25
  26 #define foldEQ_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2) \
  27                     foldEQ_utf8_flags(s1, pe1, l1, u1, s2, pe2, l2, u2, 0)
  28 #define FOLDEQ_UTF8_NOMIX_ASCII (1 << 0)
  29 #define FOLDEQ_UTF8_LOCALE      (1 << 1)
  30
  31 /*
  32 =for apidoc ibcmp_utf8
  33
  34 This is a synonym for (! foldEQ_utf8())
  35
  36 =cut
  37 */
  38 #define ibcmp_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2) \
  39                     cBOOL(! foldEQ_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2))
  40
  41 #ifdef EBCDIC
  42 /* The equivalent of these macros but implementing UTF-EBCDIC
  43    are in the following header file:
  44  */
  45
  46 #include "utfebcdic.h"
  47
  48 #else   /* ! EBCDIC */
  49 START_EXTERN_C
  50
  51 #ifdef DOINIT
  52 EXTCONST unsigned char PL_utf8skip[] = {
  53 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 */
  54 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 */
  55 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
  56 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
  57 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus */
  58 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus */
  59 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 */
  60 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. */
  61 7,13, /* Perl extended (not UTF-8).  Up to 72bit allowed (64-bit + reserved). */
  62 };
  63 #else
  64 EXTCONST unsigned char PL_utf8skip[];
  65 #endif
  66
  67 END_EXTERN_C
  68
  69 /* Native character to iso-8859-1 */
  70 #define NATIVE_TO_ASCII(ch)      (ch)
  71 #define ASCII_TO_NATIVE(ch)      (ch)
  72 /* Transform after encoding */
  73 #define NATIVE_TO_UTF(ch)        (ch)
  74 #define UTF_TO_NATIVE(ch)        (ch)
  75 /* Transforms in wide UV chars */
  76 #define UNI_TO_NATIVE(ch)        (ch)
  77 #define NATIVE_TO_UNI(ch)        (ch)
  78 /* Transforms in invariant space */
  79 #define NATIVE_TO_NEED(enc,ch)   (ch)
  80 #define ASCII_TO_NEED(enc,ch)    (ch)
  81
  82 /* As there are no translations, avoid the function wrapper */
  83 #define utf8n_to_uvchr utf8n_to_uvuni
  84 #define uvchr_to_utf8  uvuni_to_utf8
  85
  86 /*
  87
  88  The following table is from Unicode 3.2.
  89
  90  Code Points            1st Byte  2nd Byte  3rd Byte  4th Byte
  91
  92    U+0000..U+007F       00..7F
  93    U+0080..U+07FF     * C2..DF    80..BF
  94    U+0800..U+0FFF       E0      * A0..BF    80..BF
  95    U+1000..U+CFFF       E1..EC    80..BF    80..BF
  96    U+D000..U+D7FF       ED        80..9F    80..BF
  97    U+D800..U+DFFF       +++++++ utf16 surrogates, not legal utf8 +++++++
  98    U+E000..U+FFFF       EE..EF    80..BF    80..BF
  99   U+10000..U+3FFFF      F0      * 90..BF    80..BF    80..BF
 100   U+40000..U+FFFFF      F1..F3    80..BF    80..BF    80..BF
 101  U+100000..U+10FFFF     F4        80..8F    80..BF    80..BF
 102
 103 Note the gaps before several of the byte entries above marked by '*'.  These are
 104 caused by legal UTF-8 avoiding non-shortest encodings: it is technically
 105 possible to UTF-8-encode a single code point in different ways, but that is
 106 explicitly forbidden, and the shortest possible encoding should always be used
 107 (and that is what Perl does).
 108
 109  */
 110
 111 /*
 112  Another way to look at it, as bits:
 113
 114  Code Points                    1st Byte   2nd Byte  3rd Byte  4th Byte
 115
 116                     0aaaaaaa     0aaaaaaa
 117             00000bbbbbaaaaaa     110bbbbb  10aaaaaa
 118             ccccbbbbbbaaaaaa     1110cccc  10bbbbbb  10aaaaaa
 119   00000dddccccccbbbbbbaaaaaa     11110ddd  10cccccc  10bbbbbb  10aaaaaa
 120
 121 As you can see, the continuation bytes all begin with C<10>, and the
 122 leading bits of the start byte tell how many bytes there are in the
 123 encoded character.
 124
 125 Perl's extended UTF-8 means we can have start bytes up to FF.
 126
 127 */
 128
 129 #define UNI_IS_INVARIANT(c)             (((UV)c) <  0x80)
 130 /* Note that C0 and C1 are invalid in legal UTF8, so the lower bound of the
 131  * below might ought to be C2 */
 132 #define UTF8_IS_START(c)                (((U8)c) >= 0xc0)
 133 #define UTF8_IS_CONTINUATION(c)         (((U8)c) >= 0x80 && (((U8)c) <= 0xbf))
 134 #define UTF8_IS_CONTINUED(c)            (((U8)c) &  0x80)
 135 #define UTF8_IS_DOWNGRADEABLE_START(c)  (((U8)c & 0xfc) == 0xc0)
 136
 137 #define UTF_START_MARK(len) (((len) >  7) ? 0xFF : (0xFE << (7-(len))))
 138 #define UTF_START_MASK(len) (((len) >= 7) ? 0x00 : (0x1F >> ((len)-2)))
 139
 140 #define UTF_CONTINUATION_MARK           0x80
 141 #define UTF_ACCUMULATION_SHIFT          6
 142 #define UTF_CONTINUATION_MASK           ((U8)0x3f)
 143
 144 #ifdef HAS_QUAD
 145 #define UNISKIP(uv) ( (uv) < 0x80           ? 1 : \
 146                       (uv) < 0x800          ? 2 : \
 147                       (uv) < 0x10000        ? 3 : \
 148                       (uv) < 0x200000       ? 4 : \
 149                       (uv) < 0x4000000      ? 5 : \
 150                       (uv) < 0x80000000     ? 6 : \
 151                       (uv) < UTF8_QUAD_MAX ? 7 : 13 )
 152 #else
 153 /* No, I'm not even going to *TRY* putting #ifdef inside a #define */
 154 #define UNISKIP(uv) ( (uv) < 0x80           ? 1 : \
 155                       (uv) < 0x800          ? 2 : \
 156                       (uv) < 0x10000        ? 3 : \
 157                       (uv) < 0x200000       ? 4 : \
 158                       (uv) < 0x4000000      ? 5 : \
 159                       (uv) < 0x80000000     ? 6 : 7 )
 160 #endif
 161
 162 #endif /* EBCDIC vs ASCII */
 163
 164 /* Rest of these are attributes of Unicode and perl's internals rather than the
 165  * encoding, or happen to be the same in both ASCII and EBCDIC (at least at
 166  * this level; the macros that some of these call may have different
 167  * definitions in the two encodings */
 168
 169 #define NATIVE8_TO_UNI(ch)     NATIVE_TO_ASCII(ch)      /* a clearer synonym */
 170
 171 #define UTF8_ACCUMULATE(old, new)       (((old) << UTF_ACCUMULATION_SHIFT) | (((U8)new) & UTF_CONTINUATION_MASK))
 172
 173 /* Convert a two (not one) byte utf8 character to a unicode code point value.
 174  * Needs just one iteration of accumulate.  Should not be used unless it is
 175  * known that the two bytes are legal: 1) two-byte start, and 2) continuation.
 176  * Note that the result can be larger than 255 if the input character is not
 177  * downgradable */
 178 #define TWO_BYTE_UTF8_TO_UNI(HI, LO) \
 179                     UTF8_ACCUMULATE((NATIVE_TO_UTF(HI) & UTF_START_MASK(2)), \
 180                                      NATIVE_TO_UTF(LO))
 181
 182 #define UTF8SKIP(s) PL_utf8skip[*(const U8*)(s)]
 183
 184 #define UTF8_IS_INVARIANT(c)            UNI_IS_INVARIANT(NATIVE_TO_UTF(c))
 185 #define NATIVE_IS_INVARIANT(c)          UNI_IS_INVARIANT(NATIVE8_TO_UNI(c))
 186
 187 #define MAX_PORTABLE_UTF8_TWO_BYTE 0x3FF    /* constrained by EBCDIC */
 188
 189 /* The macros in the next sets are used to generate the two utf8 or utfebcdic
 190  * bytes from an ordinal that is known to fit into two bytes; it must be less
 191  * than 0x3FF to work across both encodings. */
 192 /* Nocast allows these to be used in the case label of a switch statement */
 193 #define UTF8_TWO_BYTE_HI_nocast(c)      UTF_TO_NATIVE(((c) >> UTF_ACCUMULATION_SHIFT) | (0xFF & UTF_START_MARK(2)))
 194 #define UTF8_TWO_BYTE_LO_nocast(c)      UTF_TO_NATIVE(((c) & UTF_CONTINUATION_MASK) | UTF_CONTINUATION_MARK)
 195
 196 #define UTF8_TWO_BYTE_HI(c)     ((U8) (UTF8_TWO_BYTE_HI_nocast(c)))
 197 #define UTF8_TWO_BYTE_LO(c)     ((U8) (UTF8_TWO_BYTE_LO_nocast(c)))
 198
 199 /* This name is used when the source is a single byte */
 200 #define UTF8_EIGHT_BIT_HI(c)    UTF8_TWO_BYTE_HI((U8)(c))
 201 #define UTF8_EIGHT_BIT_LO(c)    UTF8_TWO_BYTE_LO((U8)(c))
 202
 203 /*
 204  * Note: we try to be careful never to call the isXXX_utf8() functions
 205  * unless we're pretty sure we've seen the beginning of a UTF-8 or UTFEBCDIC
 206  * character.  Otherwise we risk loading in the heavy-duty swash_init and
 207  * swash_fetch routines unnecessarily.
 208  */
 209 #define isIDFIRST_lazy_if(p,c) ((IN_BYTES || (!c || ! UTF8_IS_START(*((const U8*)p)))) \
 210                                 ? isIDFIRST(*(p)) \
 211                                 : isIDFIRST_utf8((const U8*)p))
 212 #define isALNUM_lazy_if(p,c)   ((IN_BYTES || (!c || ! UTF8_IS_START(*((const U8*)p)))) \
 213                                 ? isALNUM(*(p)) \
 214                                 : isALNUM_utf8((const U8*)p))
 215
 216 #define isIDFIRST_lazy(p)       isIDFIRST_lazy_if(p,1)
 217 #define isALNUM_lazy(p)         isALNUM_lazy_if(p,1)
 218
 219 #define UTF8_MAXBYTES 13
 220 /* How wide can a single UTF-8 encoded character become in bytes.
 221  * NOTE: Strictly speaking Perl's UTF-8 should not be called UTF-8
 222  * since UTF-8 is an encoding of Unicode and given Unicode's current
 223  * upper limit only four bytes is possible.  Perl thinks of UTF-8
 224  * as a way to encode non-negative integers in a binary format. */
 225 #define UTF8_MAXLEN UTF8_MAXBYTES
 226
 227 /* The maximum number of UTF-8 bytes a single Unicode character can
 228  * uppercase/lowercase/fold into; this number depends on the Unicode
 229  * version.  An example of maximal expansion is the U+03B0 which
 230  * uppercases to U+03C5 U+0308 U+0301.  The Unicode databases that
 231  * tell these things are UnicodeData.txt, CaseFolding.txt, and
 232  * SpecialCasing.txt.  The value is 6 for strict Unicode characters, but it has
 233  * to be as big as Perl allows for a single character */
 234 #define UTF8_MAXBYTES_CASE      UTF8_MAXBYTES
 235
 236 /* A Unicode character can fold to up to 3 characters */
 237 #define UTF8_MAX_FOLD_CHAR_EXPAND 3
 238
 239 #define IN_BYTES (CopHINTS_get(PL_curcop) & HINT_BYTES)
 240 #define DO_UTF8(sv) (SvUTF8(sv) && !IN_BYTES)
 241 #define IN_UNI_8_BIT ( (CopHINTS_get(PL_curcop) & HINT_UNI_8_BIT) \
 242                         && ! IN_LOCALE_RUNTIME && ! IN_BYTES)
 243
 244 #define UTF8_ALLOW_EMPTY                0x0001  /* Allow a zero length string */
 245
 246 /* Allow first byte to be a continuation byte */
 247 #define UTF8_ALLOW_CONTINUATION         0x0002
 248
 249 /* Allow second... bytes to be non-continuation bytes */
 250 #define UTF8_ALLOW_NON_CONTINUATION     0x0004
 251
 252 /* expecting more bytes than were available in the string */
 253 #define UTF8_ALLOW_SHORT                0x0008
 254
 255 /* Overlong sequence; i.e., the code point can be specified in fewer bytes. */
 256 #define UTF8_ALLOW_LONG                 0x0010
 257
 258 #define UTF8_DISALLOW_SURROGATE         0x0020  /* Unicode surrogates */
 259 #define UTF8_WARN_SURROGATE             0x0040
 260
 261 #define UTF8_DISALLOW_NONCHAR           0x0080  /* Unicode non-character */
 262 #define UTF8_WARN_NONCHAR               0x0100  /*  code points */
 263
 264 #define UTF8_DISALLOW_SUPER             0x0200  /* Super-set of Unicode: code */
 265 #define UTF8_WARN_SUPER                 0x0400  /* points above the legal max */
 266
 267 /* Code points which never were part of the original UTF-8 standard, the first
 268  * byte of which is a FE or FF on ASCII platforms. */
 269 #define UTF8_DISALLOW_FE_FF             0x0800
 270 #define UTF8_WARN_FE_FF                 0x1000
 271
 272 #define UTF8_CHECK_ONLY                 0x2000
 273
 274 /* For backwards source compatibility.  They do nothing, as the default now
 275  * includes what they used to mean.  The first one's meaning was to allow the
 276  * just the single non-character 0xFFFF */
 277 #define UTF8_ALLOW_FFFF 0
 278 #define UTF8_ALLOW_SURROGATE 0
 279
 280 #define UTF8_DISALLOW_ILLEGAL_INTERCHANGE (UTF8_DISALLOW_SUPER|UTF8_DISALLOW_NONCHAR|UTF8_DISALLOW_SURROGATE|UTF8_DISALLOW_FE_FF)
 281 #define UTF8_WARN_ILLEGAL_INTERCHANGE \
 282         (UTF8_WARN_SUPER|UTF8_WARN_NONCHAR|UTF8_WARN_SURROGATE|UTF8_WARN_FE_FF)
 283 #define UTF8_ALLOW_ANY \
 284             (~(UTF8_DISALLOW_ILLEGAL_INTERCHANGE|UTF8_WARN_ILLEGAL_INTERCHANGE))
 285 #define UTF8_ALLOW_ANYUV                                                        \
 286          (UTF8_ALLOW_EMPTY                                                      \
 287           & ~(UTF8_DISALLOW_ILLEGAL_INTERCHANGE|UTF8_WARN_ILLEGAL_INTERCHANGE))
 288 #define UTF8_ALLOW_DEFAULT              (ckWARN(WARN_UTF8) ? 0 : \
 289                                          UTF8_ALLOW_ANYUV)
 290
 291 /* Surrogates, non-character code points and above-Unicode code points are
 292  * problematic in some contexts.  This allows code that needs to check for
 293  * those to to quickly exclude the vast majority of code points it will
 294  * encounter */
 295 #ifdef EBCDIC
 296 #   define UTF8_FIRST_PROBLEMATIC_CODE_POINT_FIRST_BYTE UTF_TO_NATIVE(0xF1)
 297 #else
 298 #   define UTF8_FIRST_PROBLEMATIC_CODE_POINT_FIRST_BYTE 0xED
 299 #endif
 300
 301 /*              ASCII              EBCDIC I8
 302  * U+D7FF:   \xED\x9F\xBF       \xF1\xB5\xBF\xBF    last before surrogates
 303  * U+D800:   \xED\xA0\x80       \xF1\xB6\xA0\xA0    1st surrogate
 304  * U+DFFF:   \xED\xBF\xBF       \xF1\xB7\xBF\xBF    final surrogate
 305  * U+E000:   \xEE\x80\x80       \xF1\xB8\xA0\xA0    next after surrogates
 306  */
 307 #ifdef EBCDIC /* Both versions assume well-formed UTF8 */
 308 #   define UTF8_IS_SURROGATE(s)  (*(s) == UTF_TO_NATIVE(0xF1)                   \
 309       && (*((s) +1) == UTF_TO_NATIVE(0xB6)) || *((s) + 1) == UTF_TO_NATIVE(0xB7))
 310 #else
 311 #   define UTF8_IS_SURROGATE(s) (*(s) == 0xED && *((s) + 1) >= 0xA0)
 312 #endif
 313
 314 /*                ASCII              EBCDIC I8
 315  * U+10FFFF: \xF4\x8F\xBF\xBF   \xF9\xA1\xBF\xBF\xBF    max legal Unicode
 316  * U+110000: \xF4\x90\x80\x80   \xF9\xA2\xA0\xA0\xA0
 317  * U+110001: \xF4\x90\x80\x81   \xF9\xA2\xA0\xA0\xA1
 318  */
 319 #ifdef EBCDIC /* Both versions assume well-formed UTF8 */
 320 #   define UTF8_IS_SUPER(s)  (*(s) >= UTF_TO_NATIVE(0xF9)                       \
 321       && (*(s) > UTF_TO_NATIVE(0xF9) || (*((s) + 1) >= UTF_TO_NATIVE(0xA2))))
 322 #else
 323 #   define UTF8_IS_SUPER(s)  (*(s) >= 0xF4                                      \
 324                                         && (*(s) > 0xF4 || (*((s) + 1) >= 0x90)))
 325 #endif
 326
 327 /*         ASCII                     EBCDIC I8
 328  * U+FDCF: \xEF\xB7\x8F         \xF1\xBF\xAE\xAF        last before non-char block
 329  * U+FDD0: \xEF\xB7\x90         \xF1\xBF\xAE\xB0        first non-char in block
 330  * U+FDEF: \xEF\xB7\xAF         \xF1\xBF\xAF\xAF        last non-char in block
 331  * U+FDF0: \xEF\xB7\xB0         \xF1\xBF\xAF\xB0        first after non-char block
 332  * U+FFFF: \xEF\xBF\xBF         \xF1\xBF\xBF\xBF
 333  * U+1FFFF: \xF0\x9F\xBF\xBF    \xF3\xBF\xBF\xBF
 334  * U+2FFFF: \xF0\xAF\xBF\xBF    \xF5\xBF\xBF\xBF
 335  * U+3FFFF: \xF0\xBF\xBF\xBF    \xF7\xBF\xBF\xBF
 336  * U+4FFFF: \xF1\x8F\xBF\xBF    \xF8\xA9\xBF\xBF\xBF
 337  * U+5FFFF: \xF1\x9F\xBF\xBF    \xF8\xAB\xBF\xBF\xBF
 338  * U+6FFFF: \xF1\xAF\xBF\xBF    \xF8\xAD\xBF\xBF\xBF
 339  * U+7FFFF: \xF1\xBF\xBF\xBF    \xF8\xAF\xBF\xBF\xBF
 340  * U+8FFFF: \xF2\x8F\xBF\xBF    \xF8\xB1\xBF\xBF\xBF
 341  * U+9FFFF: \xF2\x9F\xBF\xBF    \xF8\xB3\xBF\xBF\xBF
 342  * U+AFFFF: \xF2\xAF\xBF\xBF    \xF8\xB5\xBF\xBF\xBF
 343  * U+BFFFF: \xF2\xBF\xBF\xBF    \xF8\xB7\xBF\xBF\xBF
 344  * U+CFFFF: \xF3\x8F\xBF\xBF    \xF8\xB9\xBF\xBF\xBF
 345  * U+DFFFF: \xF3\x9F\xBF\xBF    \xF8\xBB\xBF\xBF\xBF
 346  * U+EFFFF: \xF3\xAF\xBF\xBF    \xF8\xBD\xBF\xBF\xBF
 347  * U+FFFFF: \xF3\xBF\xBF\xBF    \xF8\xBF\xBF\xBF\xBF
 348  * U+10FFFF: \xF4\x8F\xBF\xBF   \xF9\xA1\xBF\xBF\xBF
 349  */
 350 #define UTF8_IS_NONCHAR_(s) (                                                   \
 351     *(s) >= UTF8_FIRST_PROBLEMATIC_CODE_POINT_FIRST_BYTE                        \
 352     && ! UTF8_IS_SUPER(s)                                                       \
 353     && UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_FIRST_PROBLEMATIC(s)         \
 354
 355 #ifdef EBCDIC /* Both versions assume well-formed UTF8 */
 356 #   define UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_PROBLEMATIC(s)           \
 357     ((*(s) == UTF_TO_NATIVE(0xF1)                                               \
 358        && (*((s) + 1) == UTF_TO_NATIVE(0xBF)                                    \
 359        &&    ((*((s) + 2) == UTF_TO_NATIVE(0xAE)                                \
 360             && *((s) + 3) >= UTF_TO_NATIVE(0xB0))                               \
 361           || (*((s) + 2) == UTF_TO_NATIVE(0xAF)                                 \
 362             && *((s) + 3) <= UTF_TO_NATIVE(0xAF)))))                            \
 363     || (UTF8SKIP(*(s)) > 3                                                      \
 364         /* (These were all derived by inspection and experimentation with an */ \
 365         /* editor)  The next line checks the next to final byte in the char */  \
 366         && *((s) + UTF8SKIP(*(s)) - 2) == UTF_TO_NATIVE(0xBF)                   \
 367         && *((s) + UTF8SKIP(*(s)) - 3) == UTF_TO_NATIVE(0xBF)                   \
 368         && (NATIVE_TO_UTF(*((s) + UTF8SKIP(*(s)) - 4)) & 0x81) == 0x81          \
 369         && (NATIVE_TO_UTF(*((s) + UTF8SKIP(*(s)) - 1)) & 0xBE) == 0XBE))
 370 #else
 371 #   define UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_PROBLEMATIC(s)           \
 372     ((*(s) == 0xEF                                                              \
 373         && ((*((s) + 1) == 0xB7 && (*((s) + 2) >= 0x90 && (*((s) + 2) <= 0xAF)))\
 374                 /* Gets U+FFF[EF] */                                            \
 375             || (*((s) + 1) == 0xBF && ((*((s) + 2) & 0xBE) == 0xBE))))          \
 376  || ((*((s) + 2) == 0xBF                                                        \
 377          && (*((s) + 3) & 0xBE) == 0xBE                                         \
 378             /* Excludes things like U+10FFE = \xF0\x90\xBF\xBE */               \
 379          && (*((s) + 1) & 0x8F) == 0x8F)))
 380 #endif
 381
 382 #define UNICODE_SURROGATE_FIRST         0xD800
 383 #define UNICODE_SURROGATE_LAST          0xDFFF
 384 #define UNICODE_REPLACEMENT             0xFFFD
 385 #define UNICODE_BYTE_ORDER_MARK         0xFEFF
 386
 387 /* Though our UTF-8 encoding can go beyond this,
 388  * let's be conservative and do as Unicode says. */
 389 #define PERL_UNICODE_MAX        0x10FFFF
 390
 391 #define UNICODE_WARN_SURROGATE     0x0001       /* UTF-16 surrogates */
 392 #define UNICODE_WARN_NONCHAR       0x0002       /* Non-char code points */
 393 #define UNICODE_WARN_SUPER         0x0004       /* Above 0x10FFFF */
 394 #define UNICODE_WARN_FE_FF         0x0008       /* Above 0x10FFFF */
 395 #define UNICODE_DISALLOW_SURROGATE 0x0010
 396 #define UNICODE_DISALLOW_NONCHAR   0x0020
 397 #define UNICODE_DISALLOW_SUPER     0x0040
 398 #define UNICODE_DISALLOW_FE_FF     0x0080
 399 #define UNICODE_WARN_ILLEGAL_INTERCHANGE \
 400     (UNICODE_WARN_SURROGATE|UNICODE_WARN_NONCHAR|UNICODE_WARN_SUPER)
 401 #define UNICODE_DISALLOW_ILLEGAL_INTERCHANGE \
 402     (UNICODE_DISALLOW_SURROGATE|UNICODE_DISALLOW_NONCHAR|UNICODE_DISALLOW_SUPER)
 403
 404 /* For backward source compatibility, as are now the default */
 405 #define UNICODE_ALLOW_SURROGATE 0
 406 #define UNICODE_ALLOW_SUPER     0
 407 #define UNICODE_ALLOW_ANY       0
 408
 409 #define UNICODE_IS_SURROGATE(c)         ((c) >= UNICODE_SURROGATE_FIRST && \
 410                                          (c) <= UNICODE_SURROGATE_LAST)
 411 #define UNICODE_IS_REPLACEMENT(c)       ((c) == UNICODE_REPLACEMENT)
 412 #define UNICODE_IS_BYTE_ORDER_MARK(c)   ((c) == UNICODE_BYTE_ORDER_MARK)
 413 #define UNICODE_IS_NONCHAR(c)           ((c >= 0xFDD0 && c <= 0xFDEF) \
 414                         /* The other noncharacters end in FFFE or FFFF, which  \
 415                          * the mask below catches both of, but beyond the last \
 416                          * official unicode code point, they aren't            \
 417                          * noncharacters, since those aren't Unicode           \
 418                          * characters at all */                                \
 419                         || ((((c & 0xFFFE) == 0xFFFE)) && ! UNICODE_IS_SUPER(c)))
 420 #define UNICODE_IS_SUPER(c)             ((c) > PERL_UNICODE_MAX)
 421 #define UNICODE_IS_FE_FF(c)             ((c) > 0x7FFFFFFF)
 422
 423 #ifdef HAS_QUAD
 424 #    define UTF8_QUAD_MAX       UINT64_C(0x1000000000)
 425 #endif
 426
 427 #define UNICODE_GREEK_CAPITAL_LETTER_SIGMA      0x03A3
 428 #define UNICODE_GREEK_SMALL_LETTER_FINAL_SIGMA  0x03C2
 429 #define UNICODE_GREEK_SMALL_LETTER_SIGMA        0x03C3
 430 #define GREEK_SMALL_LETTER_MU                   0x03BC
 431 #define GREEK_CAPITAL_LETTER_MU 0x039C  /* Upper and title case of MICRON */
 432 #define LATIN_CAPITAL_LETTER_Y_WITH_DIAERESIS 0x0178    /* Also is title case */
 433 #define LATIN_CAPITAL_LETTER_SHARP_S    0x1E9E
 434
 435 #define UNI_DISPLAY_ISPRINT     0x0001
 436 #define UNI_DISPLAY_BACKSLASH   0x0002
 437 #define UNI_DISPLAY_QQ          (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
 438 #define UNI_DISPLAY_REGEX       (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
 439
 440 #ifndef EBCDIC
 441 #   define LATIN_SMALL_LETTER_SHARP_S   0x00DF
 442 #   define LATIN_SMALL_LETTER_Y_WITH_DIAERESIS 0x00FF
 443 #   define MICRO_SIGN 0x00B5
 444 #   define LATIN_CAPITAL_LETTER_A_WITH_RING_ABOVE 0x00C5
 445 #   define LATIN_SMALL_LETTER_A_WITH_RING_ABOVE 0x00E5
 446 #endif
 447
 448 #define ANYOF_FOLD_SHARP_S(node, input, end)    \
 449         (ANYOF_BITMAP_TEST(node, LATIN_SMALL_LETTER_SHARP_S) && \
 450          (ANYOF_NONBITMAP(node)) && \
 451          (ANYOF_FLAGS(node) & ANYOF_LOC_NONBITMAP_FOLD) && \
 452          ((end) > (input) + 1) && \
 453          toLOWER((input)[0]) == 's' && \
 454          toLOWER((input)[1]) == 's')
 455 #define SHARP_S_SKIP 2
 456
 457 #ifdef EBCDIC
 458 /* IS_UTF8_CHAR() is not ported to EBCDIC */
 459 #else
 460 #define IS_UTF8_CHAR_1(p)       \
 461         ((p)[0] <= 0x7F)
 462 #define IS_UTF8_CHAR_2(p)       \
 463         ((p)[0] >= 0xC2 && (p)[0] <= 0xDF && \
 464          (p)[1] >= 0x80 && (p)[1] <= 0xBF)
 465 #define IS_UTF8_CHAR_3a(p)      \
 466         ((p)[0] == 0xE0 && \
 467          (p)[1] >= 0xA0 && (p)[1] <= 0xBF && \
 468          (p)[2] >= 0x80 && (p)[2] <= 0xBF)
 469 #define IS_UTF8_CHAR_3b(p)      \
 470         ((p)[0] >= 0xE1 && (p)[0] <= 0xEC && \
 471          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
 472          (p)[2] >= 0x80 && (p)[2] <= 0xBF)
 473 #define IS_UTF8_CHAR_3c(p)      \
 474         ((p)[0] == 0xED && \
 475          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
 476          (p)[2] >= 0x80 && (p)[2] <= 0xBF)
 477 /* In IS_UTF8_CHAR_3c(p) one could use
 478  * (p)[1] >= 0x80 && (p)[1] <= 0x9F
 479  * if one wanted to exclude surrogates. */
 480 #define IS_UTF8_CHAR_3d(p)      \
 481         ((p)[0] >= 0xEE && (p)[0] <= 0xEF && \
 482          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
 483          (p)[2] >= 0x80 && (p)[2] <= 0xBF)
 484 #define IS_UTF8_CHAR_4a(p)      \
 485         ((p)[0] == 0xF0 && \
 486          (p)[1] >= 0x90 && (p)[1] <= 0xBF && \
 487          (p)[2] >= 0x80 && (p)[2] <= 0xBF && \
 488          (p)[3] >= 0x80 && (p)[3] <= 0xBF)
 489 #define IS_UTF8_CHAR_4b(p)      \
 490         ((p)[0] >= 0xF1 && (p)[0] <= 0xF3 && \
 491          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
 492          (p)[2] >= 0x80 && (p)[2] <= 0xBF && \
 493          (p)[3] >= 0x80 && (p)[3] <= 0xBF)
 494 /* In IS_UTF8_CHAR_4c(p) one could use
 495  * (p)[0] == 0xF4
 496  * if one wanted to stop at the Unicode limit U+10FFFF.
 497  * The 0xF7 allows us to go to 0x1fffff (0x200000 would
 498  * require five bytes).  Not doing any further code points
 499  * since that is not needed (and that would not be strict
 500  * UTF-8, anyway).  The "slow path" in Perl_is_utf8_char()
 501  * will take care of the "extended UTF-8". */
 502 #define IS_UTF8_CHAR_4c(p)      \
 503         ((p)[0] >= 0xF4 && (p)[0] <= 0xF7 && \
 504          (p)[1] >= 0x80 && (p)[1] <= 0xBF && \
 505          (p)[2] >= 0x80 && (p)[2] <= 0xBF && \
 506          (p)[3] >= 0x80 && (p)[3] <= 0xBF)
 507
 508 #define IS_UTF8_CHAR_3(p)       \
 509         (IS_UTF8_CHAR_3a(p) || \
 510          IS_UTF8_CHAR_3b(p) || \
 511          IS_UTF8_CHAR_3c(p) || \
 512          IS_UTF8_CHAR_3d(p))
 513 #define IS_UTF8_CHAR_4(p)       \
 514         (IS_UTF8_CHAR_4a(p) || \
 515          IS_UTF8_CHAR_4b(p) || \
 516          IS_UTF8_CHAR_4c(p))
 517
 518 /* IS_UTF8_CHAR(p) is strictly speaking wrong (not UTF-8) because it
 519  * (1) allows UTF-8 encoded UTF-16 surrogates
 520  * (2) it allows code points past U+10FFFF.
 521  * The Perl_is_utf8_char() full "slow" code will handle the Perl
 522  * "extended UTF-8". */
 523 #define IS_UTF8_CHAR(p, n)      \
 524         ((n) == 1 ? IS_UTF8_CHAR_1(p) : \
 525          (n) == 2 ? IS_UTF8_CHAR_2(p) : \
 526          (n) == 3 ? IS_UTF8_CHAR_3(p) : \
 527          (n) == 4 ? IS_UTF8_CHAR_4(p) : 0)
 528
 529 #define IS_UTF8_CHAR_FAST(n) ((n) <= 4)
 530
 531 #endif /* IS_UTF8_CHAR() for UTF-8 */
 532
 533 /*
 534  * Local variables:
 535  * c-indentation-style: bsd
 536  * c-basic-offset: 4
 537  * indent-tabs-mode: t
 538  * End:
 539  *
 540  * ex: set ts=8 sts=4 sw=4 noet:
 541  */